Python学习（6）- 爬虫 - 爬虫系统架构设计

主要业务流程

1. 初始请求
2. 请求过滤器
3. 请求队列
4. 响应下载器
5. 数据解析器
6. 数据清洗器
7. 存储器

设计图

rowin90.github.io/images/py/爬...

• master + slave：master控制队列，过滤，传递任务；slave负责执行

  • 缺点：master和slave端交互数据频繁，slave的数据进出，都给master去调度，对master端相当于成倍数据，并发比较大

• 升级策略2：分离响应异步下载与异步处理，避免一方阻塞另一方

  • 如果解析，和清洗也会处理很长时间，并发量就会下降，也可以在中间加入队列，解耦任务
    • 如果没有耗时操作，也没必要新加一个队列来做
    • 具体在哪些环节之间加入队列，取决你分析业务需求，在哪些环节会出现耗时操作
  • 对于一个任务来说，是共享一个进程的，这个队列可以直接用Queue（内存队列），共享一个进程中数据，

• 升级策略3：日志监控捕获错误，并实时通报。ELK

  • 先对日志进行埋点，针对Error错误日志进行报告

• 还有一种，master 只负责过滤重复请求；slave自己负责维护自己的队列，只需要 slave 执行任务前询问 master是否有重复值即可

  • 减轻了master的负担，但是slave自己维护自己队列，彼此独立

系统架构组件

1. 队列组件

   • 队列类型
     • FIFO
   • 内存队列 - 一般实现单机版的队列
     • Python内置队列
     • Asyncio中的队列
   • 持久化队列:分布式，断点续爬
     • Redis队列
     • 消息队列：Kafka，Rabbitmq

2. 过滤器组件

   • 指纹过滤器（redis等）: 千万级数据去重
   • simhash过滤器，相似文本去重
   • 布隆过滤器（redis），亿级数据去重（存在极小概率误判），，占的空间比较小，性能高

3. 下载器组件

   • urllib/requests
   • aiohttp
   • tomada.httpclient

4. 异步组件

   • asyncio
   • celery + eventlet/gevent
   • selenium + chrome-headless Pool（多个浏览器实例）
   • appium + android-app Pool (多台设备)

5. 数据解析提取组件

   • 语法规则
     • 正则
     • Xpath
   • 解析提取工具
     • re
     • lxml
     • lxml + bs4
     • lxml + pyquery

6. 数据清洗组件

   • 自定义清洗规则

7. 数据存储组件

   • 存储介质
     • file:csv/json
     • DB:mysql/mongondb
   • 存储工具
     • csv、json
     • sqlalchemy/mongoengine

8. 程序监控组件

   • ELK
     • elasticsearch:日志数据存储
     • logstash: 日志收集工具
     • kibana: 日志可视化

9. 可视化控制组件

   • web界面
   • GUI界面

异步改造并发代码

同步请求

1. 下载器中，开始使用的是 requests 同步发请求，没有异步

• 下载器（同步请求）

import requests
from spiderSystem.response import Response


class RequestsDownloader(object):
    """根据request发起请求，构建response对象"""

    def fetch(self, request):
        if request.method.upper() == "GET":
            resp = requests.get(request.with_query_url, headers=request.headers)
        elif request.method.upper() == "POST":
            resp = requests.post(request.with_query_url, headers=request.headers, body=request.body)
        else:
            raise Exception('only support GET or POST Method')

        return Response(request, status_code=resp.status_code, url=resp.url, headers=resp.headers, body=resp.content)

• 请求的 Slave 客户端

from .request_manager import RequestManager
from .request_manager.utils.redis_tools import get_redis_queue_cls
from .downloader import RequestsDownloader

from .request import Request

FIFO_QUEUE = get_redis_queue_cls('fifo')


class Slave(object):
    def __init__(self, spiders, project_name, request_manager_config):
        self.filter_queue = FIFO_QUEUE("filter_queue", host="localhost")
        self.request_manager = RequestManager(**request_manager_config) 
        self.downloader = RequestsDownloader()   # 用 requests 同步请求的下载器
        self.spiders = spiders
        self.project_name = project_name

    def handle_request(self):
        # 1. 获取一个请求
        request = self.request_manager.get_request(self.project_name)

        # 2. 发起请求
        response = self.downloader.fetch(request)  # 每次都同步去请求 ！！！

        # 3. 获取爬虫对象
        spider = self.spiders[request.name]()

        # 4. 处理 response
        for result in spider.parse(response):
            if result is None:
                raise Exception('不允许返回None')
            elif isinstance(result, Request):
                self.filter_queue.put(result)
            else:
                # 意味着是一个数据
                new_result = spider.data_clean(result)
                spider.data_save(new_result)

    def run(self):
        while True:
            self.handle_request() 

异步请求改造

• 通过 tornado 的异步请求

1. 下载器(异步)

from tornado.httpclient import HTTPClient, HTTPRequest, AsyncHTTPClient

from spiderSystem.response import Response


# tornado 也有同步请求方式 （可以忽略）
class TornadoDownloader(object):

    def __init__(self):
        self.httpclient = HTTPClient()

    def fetch(self, request):
        print("tornado 同步客户端发的请求")
        tornado_request = HTTPRequest(request.with_query_url, method=request.method.upper(), headers=request.headers)
        tornado_response = self.httpclient.fetch(tornado_request)
        return Response(request=request, status_code=tornado_response.code, url=tornado_response.effective_url,
                        body=tornado_response.buffer.read())

    """
    同步的请求，不能复用，需要用完后关闭
    """

    def __del__(self):
        self.httpclient.close()


# tornado 也有异步请求方式
class AsyncTornadoDownloader(object):

    def __init__(self):
        self.async_http_client = AsyncHTTPClient()

    async def fetch(self, request): # 开启协程
        print("tornado 异步客户端发的请求")
        tornado_request = HTTPRequest(request.with_query_url, method=request.method.upper(), headers=request.headers)
        tornado_response = await self.async_http_client.fetch(tornado_request) # 等待
        return Response(request=request, status_code=tornado_response.code, url=tornado_response.effective_url,
                        headers=request.headers,
                        body=tornado_response.buffer.read())

• Slave 调用方

import asyncio
import tornado.ioloop

from .request_manager import RequestManager
from .request_manager.utils.redis_tools import get_redis_queue_cls
from .downloader import RequestsDownloader, TornadoDownloader, AsyncTornadoDownloader

from .request import Request

FIFO_QUEUE = get_redis_queue_cls('fifo')


class Slave(object):
    def __init__(self, spiders, project_name, request_manager_config):
        self.filter_queue = FIFO_QUEUE("filter_queue", host="localhost")
        self.request_manager = RequestManager(**request_manager_config) 
        self.downloader = AsyncTornadoDownloader()  # 异步下载器
        self.spiders = spiders
        self.project_name = project_name

    async def handle_request(self):
        
        # request = self.request_manager.get_request(self.project_name)  阻塞改异步
        io_loop = tornado.ioloop.IOLoop.current()
        # 1. 获取一个请求
        future = io_loop.run_in_executor(None, self.request_manager.get_request,self.project_name)  # 不支持协程的函数，可以自己获取事件循环，去定义执行，让其支持协程
        request = await future


        # 2. 发起请求
        response = await self.downloader.fetch(request)

        # 3. 获取爬虫对象
        spider = self.spiders[request.name]()

        # 4. 处理 response
        for result in spider.parse(response):
            if result is None:
                raise Exception('不允许返回None')
            elif isinstance(result, Request):
                # self.filter_queue.put(result)  可能阻塞，改异步
                await io_loop.run_in_executor(None, self.filter_queue.put,result)   
            else:
                # 意味着是一个数据
                new_result = spider.data_clean(result)
                spider.data_save(new_result)

    async def run(self):
        while True:
            # 不能写成 await self.handle_request()，否则，也是相当于同步请求了
            await asyncio.wait([
                self.handle_request(),
                self.handle_request(),
            ])

• 启动方式

if __name__ == '__main__':
    spiders = {BaiduSpider.name: BaiduSpider}

    # 同步请求，用 requests 发请求
    # Slave(spiders, project_name=PROJECT_NAME, request_manager_config=REQUEST_MANAGER_CONFIG).run()

    # 要用异步方式去请求
    slave = Slave(spiders, project_name=PROJECT_NAME, request_manager_config=REQUEST_MANAGER_CONFIG)
    io_loop = tornado.ioloop.IOLoop.current()
    io_loop.run_sync(slave.run)

tornado库 io_loop.run_sync 用于将阻塞函数转换为同步函数并在 IOLoop 上执行，它会阻塞当前协程。 io_loop.run_in_executor 用于在指定的线程池中异步执行耗时的、阻塞的操作，不会阻塞当前协程，并允许 IOLoop 继续处理其他事件。
asyncio库 实现类似于 run_sync 的效果：您可以使用 loop.run_until_complete 方法来运行一个协程并等待其完成。这个方法会阻塞当前线程，直到协程执行完毕 实现类似于 run_in_executor 的效果：您可以使用 loop.run_in_executor 方法将耗时的、阻塞的操作转移到一个线程池中执行，以避免阻塞事件循环。

async 异步协程改造重点!!!

1. 下载器中，用到的所有异步的地方，必须是协程 async 定义
2. await 后面跟着的，一定是支持协程的方法，要不是一个 协程对象，future 或者 task 对象，比如 self.async_http_client.fetch ，如果不支持协程，会报错
3. 连带着的，所有调用 async 的方法，也必须是协程函数
4. 对于不支持协程的函数，可以自己获取事件循环，去定义执行，让其支持协程；如果一个函数是一个协程函数后，如果这个协程函数中，有任意可以阻塞的，或耗时操作，都应该改成异步的 await ,不然可能会阻塞整个线程

# self.request_manager.get_request 本身不支持异步，或者改造成异步，嵌套要改的太深，可以用 io_loop.run_in_executor 来替代
    io_loop = tornado.ioloop.IOLoop.current()
    # 1. 获取一个请求
    future = io_loop.run_in_executor(None, self.request_manager.get_request,self.project_name) 
    request = await future

5. 在最开始调用的地方，比如 run ，启动的方式，必须是 用 asyncio.wait 或用其他方式启动（asyncio.gather 或 asyncio.as_completed）

# 开启2个协程，去执行。asyncio.wait 能让其变成一个异步关系
async def run(self):
    while True:
        # 不能写成 await self.handle_request()，否则，也是相当于同步请求了
        await asyncio.wait([
            self.handle_request(),
            self.handle_request(),
        ])

Master 进程用多线程改造

• master 的启动方法，这两个可以用两个线程去做，不然以前的写法是同步的执行方式

  def run(self):
        # self.run_start_requests()
        # self.run_filter_queue()
        # 两个线程去做
        threading.Thread(target=self.run_start_requests).start()
        threading.Thread(target=self.run_filter_queue).start()

自己封装的SpiderSystem模块安装成内置环境中

1. 在模块目录添加 setup.py 脚本

├── setup.py
├── spiderSystem
├── README.md

2. 执行 pip3 setup.py install 即可
3. 查看包信息 pip3 show spiderSystem

from setuptools import setup, find_packages

setup(
    name="spiderSystem",
    version="0.1",
    description="spiderSystem module",
    author='raoju',
    url="url",
    license="license",
    packages=find_packages(exclude=[]), # 当前所有模块都安装
    install_requires=[
        "tornado >= 5.1",
        "pycurl",
    ]

)