爬虫——试搭小架构
第一篇我们做了一个简单的页面广度优先来抓取url，很显然缺点有很多，第一：数据结构都是基于内存的，第二：单线程抓取
速度太慢，在实际开发中肯定不会这么做的，起码得要有序列化到硬盘的机制，对于整个爬虫架构来说，构建好爬虫队列相当重要。
先上一幅我自己构思的架构图，不是很完善，算是一个雏形吧。
一：TODO队列和Visited集合
在众多的nosql数据库中，mongodb还是很不错的，这里也就选择它了，做集群，做分片轻而易举。
二：中央处理器
群架，斗殴都是有带头的，那中央处理器就可以干这样的事情，它的任务很简单，
第一： 启动时，根据我们定义好的规则将种子页面分发到各个执行服务器。
第二： 定时轮询”TODO——MongoDB“，将读取的新Url根据规则分发到对应的执行服务器中。
三：分发服务器
中央处理器将url分发到了执行服务器的内存中，分发服务器可以开启10个线程依次读取队列来获取url，然后解析url，
第一：如果url是外链，直接剔除。
第二：如果url不是本机负责抓取的，就放到”TODO——MongoDB“中。
第三：如果是本机负责的，将新提取的url放入本机内存队列中。
四：代码实现
首先下载mongodb http://www.mongodb.org/downloads ，简单起见就在一个database里面建两个collection。迫不及
待了，我要爬一个美女网站， http://www.800meinv.com ，申明一下，并非推广网站，看下”中央处理器“的实现。
1 namespace CrawlerCPU
2 {
3 /* 根据规格，一个服务爬取3个导航页（由 中央处理器 统一管理）
4 * 第一个服务：日韩时装，港台时装
5 * 第二个服务：，欧美时装，明星穿衣，显瘦搭配
6 * 第三个服务：少女搭配，职场搭配，裙装搭配
7 */
8 public class Program
9 {
10 static Dictionary< string , string > dicMapping = new Dictionary< string , string > ();
11
12 static void Main( string [] args)
13 {
14 // 初始Url的分发
15 foreach ( var key in ConfigurationManager.AppSettings)
16 {
17 var factory = new ChannelFactory<ICrawlerService>( new NetTcpBinding(), new EndpointAddress(key.ToString()))
18 .CreateChannel();
19
20 var urls = ConfigurationManager.AppSettings[key.ToString()]
21 .Split( new char [] { ' ; ' }, StringSplitOptions.RemoveEmptyEntries)
22 .ToList();
23
24 factory.AddRange(urls);
25
26 // 将网址和“WCF分发地址“建立Mapping映射
27 foreach ( var item in urls)
28 dicMapping.Add(item, key.ToString());
29 }
30
31 Console.WriteLine( " 爬虫 中央处理器开启，正在监视TODO列表！ " );
32
33 // 开启定时监视MongoDB
34 Timer timer = new Timer();
35
36 timer.Interval = 1000 * 10 ; // 10s轮询一次
37 timer.Elapsed += new ElapsedEventHandler(timer_Elapsed);
38 timer.Start();
39
40 Console.Read();
41 }
42
43 static void timer_Elapsed( object sender, ElapsedEventArgs e)
44 {
45 // 获取mongodb里面的数据
46 MongodbHelper<Message> mongodb = new MongodbHelper<Message>( " todo " );
47
48 // 根据url的类型分发到相应的服务器中去处理
49 var urls = mongodb.List( 100 );
50
51 if (urls == null || urls.Count == 0 )
52 return ;
53
54 foreach ( var item in dicMapping.Keys)
55 {
56 foreach ( var url in urls)
57 {
58 // 寻找正确的 wcf 分发地址
59 if (url.Url.StartsWith(item))
60 {
61 var factory = new ChannelFactory<ICrawlerService>( new NetTcpBinding(),
62 new EndpointAddress(dicMapping[item]))
63 .CreateChannel();
64
65 // 向正确的地方分发地址
66 factory.Add(url.Url);
67
68 break ;
69 }
70 }
71 }
72
73 // 删除mongodb中的TODO表中指定数据
74 mongodb.Remove(urls);
75 }
76 }
77 }
接下来，我们开启WCF服务，当然我们可以做10份，20份的copy，核心代码如下：
1 /// <summary>
2 /// 开始执行任务
3 /// </summary>
4 public static void Start()
5 {
6 while ( true )
7 {
8 // 监视工作线程，如果某个线程已经跑完数据，则重新分配任务给该线程
9 for ( int j = 0 ; j < 10 ; j++ )
10 {
11 if (tasks[j] == null || tasks[j].IsCompleted || tasks[j].IsCanceled || tasks[j].IsFaulted)
12 {
13 // 如果队列还有数据
14 if (todoQueue.Count > 0 )
15 {
16 string currentUrl = string .Empty;
17
18 todoQueue.TryDequeue( out currentUrl);
19
20 Console.WriteLine( " 当前队列的个数为:{0} " , todoQueue.Count);
21
22 tasks[j] = Task.Factory.StartNew((obj) =>
23 {
24 DownLoad(obj.ToString());
25
26 }, currentUrl);
27 }
28 }
29 }
30 }
31 }
然后我们把”分发服务器“和”中央处理器“开启：
好了，稍等会，我们就会看到，数据已经哗啦啦的往mongodb里面跑了。
五：不足点
有的时候会出现某些机器非常free，而某些机器非常busy，这时就要实现双工通讯了，当执行服务器的内存队列到达
一个量级的时候就应该通知中央处理器，要么减缓对该执行服务器的任务分发，要么将任务分给其他的执行服务器。
最后是工程代码，有什么好的建议可以提出来，大家可以一起研究研究： ConsoleApplication1.rar
跪求程序员二枚，有意向请 查看详情 ，也可与我联系！ 如果觉得文章对你有帮助，欢迎在 IT博客大赛中投我一票
分类: 小爬虫系列
作者： Leo_wl
出处： http://www.cnblogs.com/Leo_wl/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
版权信息