手写分布式爬虫

 手写分布式爬虫

    分布式进程是指将Process进程分布到多台机器上，充分利用多台机器的性能完成复杂的任务。在Python的通过multiprocessing库来完成，该模块不仅支持多进程且还支持将多进程分布到多台机器上。分布式进程就是将把Queue暴露到网络中让其他机器进程可以访问的过程进行了封装，这个过程也称为本地队列的网络化。

分布式爬虫服务主要为 6个步骤:

　　

　　1. 建立队列Queue, 用来进行进程间的通信;

　　2. 把第一步中建立的队列在网络上注册, 暴露给其他主机的进程, 注册后获得网络队列, 相当于本地队列的映像;

　　3. 建立一个对象实例manager, 绑定端口和验证口令;

　　4. 启动第三步中建立的实例, 就是管理manager, 监管信息通道;

　　5. 通过管理实例的方法获得通过网络访问Queue对象, 把网络队列实体化成可以使用的队列;

　　6. 创建任务到"本地" 队列中, 自动上传任务到网络队列中, 分配给任务进程进行处理.

linux版本:

#coding=utf-8
import Queue
from multiprocessing.managers import BaseManager
 
# 第一步，建立task_queue和result_queue来存放任务和结果
task_queue = Queue.Queue()
result_queue = Queue.Queue()
 
# 第二步，把创建的两个队列注册在网络上，利用register方法，callable参数关联了Queue对象，将Queue对象在网络中暴露
BaseManager.register('get_task_queue', callable=lambda:task_queue)
BaseManager.register('get_result_queue', callable=lambda:result_queue)
 
# 第三步，绑定端口8001，设置验证口令，相当于对象初始化
manager = BaseManager(address=('', 8001), authkey='ski12')
 
# 第四步，启动管理，监听信息通道
manager.start()
 
# 第五步，通过管理实例的方法获得通过网络访问的Queue对象
task = manager.get_task_queue()
result = manager.get_result_queue()
 
# 第六步，添加任务
for url in ["ImageUrl_" + str(i) for i in range(10)]:
	print "put task %s ..." % url
	task.put(url)
 
# 获取返回结果
print "try get result..."
for i in range(10):
	print "result is %s" % result.get(timeout=10)
 
# 关闭管理
manager.shutdown()

　　

Windows版本:

#coding=utf-8
import Queue
from multiprocessing.managers import BaseManager
from multiprocessing import freeze_support
 
# 任务个数
task_number = 10
 
# 第一步，建立task_queue和result_queue来存放任务和结果
task_queue = Queue.Queue(task_number)
result_queue = Queue.Queue(task_number)
 
def get_task():
	return task_queue
 
def get_result():
	return result_queue
 
def win_run():
	# 第二步，把创建的两个队列注册在网络上，利用register方法，callable参数关联了Queue对象，将Queue对象在网络中暴露
	# Windows下绑定调用接口不能使用lambda，所以只能先定义函数再绑定
	BaseManager.register('get_task_queue', callable=get_task)
	BaseManager.register('get_result_queue', callable=get_result)
 
	# 第三步，绑定端口8001，设置验证口令，相当于对象初始化，Windows下需要填写IP地址
	manager = BaseManager(address=('127.0.0.1', 8001), authkey='ski12')
 
	# 第四步，启动管理，监听信息通道
	manager.start()
 
	try:
		# 第五步，通过管理实例的方法获得通过网络访问的Queue对象
		task = manager.get_task_queue()
		result = manager.get_result_queue()
 
		# 第六步，添加任务
		for url in ["ImageUrl_" + str(i) for i in range(10)]:
			print "put task %s ..." % url
			task.put(url)
 
		# 获取返回结果
		print "try get result..."
		for i in range(10):
			print "result is %s" % result.get(timeout=10)
	except:
		print "Manager error"
	finally:
		# 一定要关闭管理，否则会报管道未关闭错误
		manager.shutdown()
 
if __name__ == '__main__':
	# Windows下多进程可能会有问题，添加这句可以缓解
	freeze_support()
	win_run()

　　

而任务进程（taskWorker.py）则分为4个步骤：

1、使用QueueManager注册用于获取Queue的方法名称，任务进程只能通过名称来在网络上获取Queue；

2、连接服务器，端口和验证口令注意保持与服务进程中完全一致；

3、从网络上获取Queue，进行本地化；

4、从task队列获取任务，并把结果写入result队列。

#coding=utf-8
import time
from multiprocessing.managers import BaseManager
 
# 第一步，使用QueueManager注册用于获取Queue的方法名称
BaseManager.register('get_task_queue')
BaseManager.register('get_result_queue')
 
# 第二步，连接到服务器
server_addr = '127.0.0.1'
print "Connect to server %s..." % server_addr
 
# 端口和验证口令注意保持与服务进程完全一致
m = BaseManager(address=(server_addr, 8001), authkey='ski12')
 
# 从网络连接
m.connect()
 
# 第三步，获取Queue对象
task = m.get_task_queue()
result = m.get_result_queue()
 
# 第四步，从task队列获取任务，并把结果写入result队列
while(not task.empty()):
	image_url = task.get(True, timeout=5)
	print "run task download %s..." % image_url
	time.sleep(1)
	result.put("%s--->success" % image_url)
 
# 处理结束
print "worker exit."

　　

主从模式的分布式爬虫：

采用主从模式，由一台主机作为控制节点来负责管理所有运行爬虫的主机，爬虫只需从控制节点中接收任务并把新生成的任务提交给控制节点即可。缺点是容易导致整个分布式爬虫系统的性能下降。

控制节点分为URL管理器、数据存储器和控制调度器。

爬虫节点分为HTML下载器、HTML解析器和爬虫调度器。

其实和之前的基础爬虫框架类似，只不过添加了控制调度器来实现分布式的控制管理而已。

ControlNode控制节点：

NodeManager.py：

#coding=utf-8
import time
import sys
from multiprocessing import Queue, Process
from multiprocessing.managers import BaseManager
 
from DataOutput import DataOutput
from URLManager import UrlManager
 
class NodeManager(object):
    # 创建一个分布式管理器
    def start_Manager(self, url_q, result_q):
        # 把创建的两个队列注册在网络上，利用register方法，callable参数关联了Queue对象，将Queue对象在网络中暴露
        BaseManager.register('get_task_queue', callable=lambda:url_q)
        BaseManager.register('get_result_queue', callable=lambda:result_q)
        # 绑定端口8001，设置验证口令，相当于对象初始化
        manager = BaseManager(address=('', 8001), authkey='ski12')
        # 返回manager对象
        return manager
 
    def url_manager_proc(self, url_q, conn_q, root_url):
        url_manager = UrlManager()
        url_manager.add_new_url(root_url)
        while True:
            while(url_manager.has_new_url()):
                # 从URL管理器获取新的url
                new_url = url_manager.get_new_url()
                # 将新的URL发给工作节点
                url_q.put(new_url)
                # print "[*]The number of crawled url is: ", url_manager.old_url_size()
                # 显示进度条
                percentage = u"[*]已爬取的URL数量为：%s" % url_manager.old_url_size()
                sys.stdout.write('
' + percentage)
                # 加一个判断条件，当爬去2000个链接后就关闭,并保存进度
                if(url_manager.old_url_size()>20):
                    # 通知爬行节点工作结束，添加标识符end
                    url_q.put('end')
                    print u"
[*]控制节点通知爬行结点结束工作..."
                    # 关闭管理节点，同时存储set状态
                    url_manager.save_progress('new_urls.txt', url_manager.new_urls)
                    url_manager.save_progress('old_urls.txt', url_manager.old_urls)
                    return
            # 将从result_solve_proc获取到的urls添加到URL管理器
            try:
                if not conn_q.empty():
                    urls = conn_q.get()
                    url_manager.add_new_urls(urls)
            except BaseException, e:
                # 延时休息
                time.sleep(0.1)
 
    def result_solve_proc(self, result_q, conn_q, store_q):
        while True:
            try:
                if not result_q.empty():
                    content = result_q.get(True)
                    if content['new_urls'] == 'end':
                        # 结果分析进程接受通知然后结束
                        print u"[*]关闭数据提取进程"
                        store_q.put('end')
                        return
                    # url为set类型
                    conn_q.put(content['new_urls'])
                    # 解析出来的数据为dict类型
                    store_q.put(content['data'])
                else:
                    # 延时休息
                    time.sleep(0.1)
            except BaseException, e:
                # 延时休息
                time.sleep(0.1)
 
    def store_proc(self, store_q):
        output = DataOutput()
        while True:
            if not store_q.empty():
                data = store_q.get()
                if data == 'end':
                    print u"[*]关闭数据存储进程"
                    output.output_end(output.filepath)
                    return
                output.store_data(data)
            else:
                time.sleep(0.1)
 
if __name__ == '__main__':
    if len(sys.argv) == 2:
        url = 'https://baike.baidu.com/item/' + sys.argv[1]
        # 初始化4个队列
        url_q = Queue()
        result_q = Queue()
        conn_q = Queue()
        store_q = Queue()
        # 创建分布式管理器
        node = NodeManager()
        manager = node.start_Manager(url_q, result_q)
        # 创建URL管理进程、 数据提取进程和数据存储进程
        url_manager_proc = Process(target=node.url_manager_proc, args=(url_q, conn_q, url))
        result_solve_proc = Process(target=node.result_solve_proc, args=(result_q, conn_q, store_q))
        store_proc = Process(target=node.store_proc, args=(store_q, ))
        # 启动3个进程和分布式管理器
        url_manager_proc.start()
        result_solve_proc.start()
        store_proc.start()
        manager.get_server().serve_forever()
    else:
        print "[*]Usage: python NodeManager.py [Crawl Keyword]"

　　

UrlManager.py：

#coding=utf-8
import cPickle
import hashlib
 
class UrlManager(object):
    def __init__(self):
        # 未爬取的URL集合
        self.new_urls = self.load_progress('new_urls.txt')
        # 已爬取的URL集合
        self.old_urls = self.load_progress('old_urls.txt')
 
    def has_new_url(self):
        return self.new_url_size() != 0
 
    def get_new_url(self):
        new_url = self.new_urls.pop()
        # 对爬取过的URL进行MD5处理，对获取的信息摘要取中间的128位保存到set(),以减少内存消耗
        m = hashlib.md5()
        m.update(new_url)
        self.old_urls.add(m.hexdigest()[8:-8])
        return new_url
 
    def add_new_url(self, url):
        if url is None:
            return
        m = hashlib.md5()
        m.update(url)
        url_md5 = m.hexdigest()[8:-8]
        if url not in self.new_urls and url_md5 not in self.old_urls:
            self.new_urls.add(url)
 
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)
 
    def new_url_size(self):
        return len(self.new_urls)
 
    def old_url_size(self):
        return len(self.old_urls)
 
    # 将未爬取的URL集合和已爬取的URL集合序列化到本地，保存当前进度，以便下次恢复状态
    def save_progress(self, path, data):
        with open(path, 'wb') as f:
            cPickle.dump(data, f)
 
    # 加载进度
    def load_progress(self, path):
        print "[+]从文件加载进度：%s" % path
        try:
            with open(path, 'rb') as f:
                tmp = cPickle.load(f)
                return tmp
        except:
            print "[!]无进度文件，创建：%s" % path
        return set()

　　

DataOutput.py：

#coding=utf-8
import codecs
import time
 
class DataOutput(object):
    def __init__(self):
        # 生成的文件按照当前时间来命名以区分文件
        self.filepath = 'baike_%s.html' % (time.strftime("%Y_%m_%d_%H_%M_%S", time.localtime()))
        self.output_head(self.filepath)
        self.datas = []
 
    def store_data(self, data):
        if data is None:
            return
        self.datas.append(data)
        # 对文件进行缓存写入，当大于10条数据时就保存
        if len(self.datas) > 10:
            self.output_html(self.filepath)
 
    def output_head(self, path):
        fout = codecs.open(path, 'w', encoding='utf-8')
        fout.write("<html>")
        fout.write("<body>")
        fout.write("<table>")
        fout.close()
 
    def output_html(self, path):
        fout = codecs.open(path, 'a', encoding='utf-8')
        for data in self.datas:
            fout.write("<tr>")
            fout.write("<td>%s</td>" % data['url'])
            fout.write("<td>%s</td>" % data['title'])
            fout.write("<td>%s</td>" % data['summary'])
            fout.write("</tr>")
            self.datas.remove(data)
        fout.close()
 
    def output_end(self, path):
        fout = codecs.open(path, 'a', encoding='utf-8')
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

　　

SpiderNode爬虫结点：

SpiderWorker.py：

#coding=utf-8
from multiprocessing.managers import BaseManager
 
from HtmlDownloader import HtmlDownloader
from HtmlParser import HtmlParser
 
class SpiderWorker(object):
    def __init__(self):
        # 初始化分布式进程中的工作节点的连接工作
        # 实现第一步：使用BaseManager注册获取Queue的方法名称
        BaseManager.register('get_task_queue')
        BaseManager.register('get_result_queue')
        # 实现第二步：连接到服务器:
        server_addr = '127.0.0.1'
        print "[*]Connect to server %s..." % server_addr
        # 端口和验证口令注意保持与服务进程设置的完全一致:
        self.m = BaseManager(address=(server_addr, 8001), authkey='ski12')
        # 从网络连接:
        self.m.connect()
        # 实现第三步：获取Queue的对象
        self.task = self.m.get_task_queue()
        self.result = self.m.get_result_queue()
        # 初始化网页下载器和解析器
        self.downloader = HtmlDownloader()
        self.parser = HtmlParser()
        print "[*]Init finished."
 
    def crawl(self):
        while True:
            try:
                if not self.task.empty():
                    url = self.task.get()
 
                    if url == 'end':
                        print "[*]Control Node informs all the Spider Nodes stop working."
                        # 接着通知其它节点停止工作
                        self.result.put({'new_urls':'end', 'data':'end'})
                        return
                    print "[*]The Spider Node is parsing: %s" % url.encode('utf-8')
                    content = self.downloader.download(url)
                    new_urls, data = self.parser.parser(url, content)
                    self.result.put({'new_urls':new_urls, 'data':data})
            except EOFError, e:
                print "[-]Fail to connect to the Worker Node."
                return
            except Exception, e:
                print e
                print "[-]Crawl failed."
 
if __name__ == '__main__':
    spider = SpiderWorker()
    spider.crawl()

　　

HtmlDownloader.py：

#coding=utf-8
import requests
 
class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None
        user_agent = "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)"
        headers = {'User-Agent':user_agent}
        r = requests.get(url, headers=headers)
        if r.status_code == 200:
            r.encoding = 'utf-8'
            return r.text
        return None

　　

HtmlParser.py：

#coding=utf-8
import re
import urlparse
from bs4 import BeautifulSoup as BS
 
class HtmlParser(object):
    def parser(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        soup = BS(html_cont, 'html.parser', from_encoding='utf-8')
        new_urls = self._get_new_urls(page_url, soup)
        new_data = self._get_new_data(page_url, soup)
        return new_urls, new_data
 
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        # 抽取符合要求的a标签
        links = soup.find_all('a', href=re.compile(r'/item/.*'))
        for link in links:
            # 提取href属性
            new_url = link['href']
            # 拼接成完整网址
            new_full_url = urlparse.urljoin(page_url, new_url)
            new_urls.add(new_full_url)
        return new_urls
 
    def _get_new_data(self, page_url, soup):
        data = {}
        data['url'] = page_url
        title = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        data['title'] = title.get_text()
        summary = soup.find('div', class_='lemma-summary')
        # 获取到tag中包含的所有文版内容包括子孙tag中的内容,并将结果作为Unicode字符串返回
        data['summary'] = summary.get_text()
        return data