# 设计一个网页爬虫 **注意：这个文档中的链接会直接指向[系统设计主题索引](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#系统设计主题的索引)中的有关部分，以避免重复的内容。你可以参考链接的相关内容，来了解其总的要点、方案的权衡取舍以及可选的替代方案。** ## 第一步：简述用例与约束条件 > 把所有需要的东西聚集在一起，审视问题。不停的提问，以至于我们可以明确使用场景和约束。讨论假设。 我们将在没有面试官明确说明问题的情况下，自己定义一些用例以及限制条件。 ### 用例 #### 我们把问题限定在仅处理以下用例的范围中 * **服务** 抓取一系列链接： * 生成包含搜索词的网页倒排索引 * 生成页面的标题和摘要信息 * 页面标题和摘要都是静态的，它们不会根据搜索词改变 * **用户** 输入搜索词后，可以看到相关的搜索结果列表，列表每一项都包含由网页爬虫生成的页面标题及摘要 * 只给该用例绘制出概要组件和交互说明，无需讨论细节 * **服务** 具有高可用性 #### 无需考虑 * 搜索分析 * 个性化搜索结果 * 页面排名 ### 限制条件与假设 #### 提出假设 * 搜索流量分布不均 * 有些搜索词非常热门，有些则非常冷门 * 只支持匿名用户 * 用户很快就能看到搜索结果 * 网页爬虫不应该陷入死循环 * 当爬虫路径包含环的时候，将会陷入死循环 * 抓取 10 亿个链接 * 要定期重新抓取页面以确保新鲜度 * 平均每周重新抓取一次，网站越热门，那么重新抓取的频率越高 * 每月抓取 40 亿个链接 * 每个页面的平均存储大小：500 KB * 简单起见，重新抓取的页面算作新页面 * 每月搜索量 1000 亿次 用更传统的系统来练习 —— 不要使用 [solr](http://lucene.apache.org/solr/) 、[nutch](http://nutch.apache.org/) 之类的现成系统。 #### 计算用量 **如果你需要进行粗略的用量计算，请向你的面试官说明。** * 每月存储 2 PB 页面 * 每月抓取 40 亿个页面，每个页面 500 KB * 三年存储 72 PB 页面 * 每秒 1600 次写请求 * 每秒 40000 次搜索请求 简便换算指南： * 一个月有 250 万秒 * 每秒 1 个请求，即每月 250 万个请求 * 每秒 40 个请求，即每月 1 亿个请求 * 每秒 400 个请求，即每月 10 亿个请求 ## 第二步： 概要设计 > 列出所有重要组件以规划概要设计。 ![Imgur](http://i.imgur.com/xjdAAUv.png) ## 第三步：设计核心组件 > 对每一个核心组件进行详细深入的分析。 ### 用例：爬虫服务抓取一系列网页 假设我们有一个初始列表 `links_to_crawl`（待抓取链接），它最初基于网站整体的知名度来排序。当然如果这个假设不合理，我们可以使用 [Yahoo](https://www.yahoo.com/)、[DMOZ](http://www.dmoz.org/) 等知名门户网站作为种子链接来进行扩散 。 我们将用表 `crawled_links` （已抓取链接 ）来记录已经处理过的链接以及相应的页面签名。 我们可以将 `links_to_crawl` 和 `crawled_links` 记录在键-值型 **NoSQL 数据库**中。对于 `crawled_links` 中已排序的链接，我们可以使用 [Redis](https://redis.io/) 的有序集合来维护网页链接的排名。我们应当在 [选择 SQL 还是 NoSQL 的问题上，讨论有关使用场景以及利弊 ](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#sql-还是-nosql)。 * **爬虫服务**按照以下流程循环处理每一个页面链接： * 选取排名最靠前的待抓取链接 * 在 **NoSQL 数据库**的 `crawled_links` 中，检查待抓取页面的签名是否与某个已抓取页面的签名相似 * 若存在，则降低该页面链接的优先级 * 这样做可以避免陷入死循环 * 继续（进入下一次循环） * 若不存在，则抓取该链接 * 在**倒排索引服务**任务队列中，新增一个生成[倒排索引](https://en.wikipedia.org/wiki/Search_engine_indexing)任务。 * 在**文档服务**任务队列中，新增一个生成静态标题和摘要的任务。 * 生成页面签名 * 在 **NoSQL 数据库**的 `links_to_crawl` 中删除该链接 * 在 **NoSQL 数据库**的 `crawled_links` 中插入该链接以及页面签名 **向面试官了解你需要写多少代码**。 `PagesDataStore` 是**爬虫服务**中的一个抽象类，它使用 **NoSQL 数据库**进行存储。 ```python class PagesDataStore(object): def __init__(self, db); self.db = db ... def add_link_to_crawl(self, url): """将指定链接加入 `links_to_crawl`。""" ... def remove_link_to_crawl(self, url): """从 `links_to_crawl` 中删除指定链接。""" ... def reduce_priority_link_to_crawl(self, url) """在 `links_to_crawl` 中降低一个链接的优先级以避免死循环。""" ... def extract_max_priority_page(self): """返回 `links_to_crawl` 中优先级最高的链接。""" ... def insert_crawled_link(self, url, signature): """将指定链接加入 `crawled_links`。""" ... def crawled_similar(self, signature): """判断待抓取页面的签名是否与某个已抓取页面的签名相似。""" ... ``` `Page` 是**爬虫服务**的一个抽象类，它封装了网页对象，由页面链接、页面内容、子链接和页面签名构成。 ```python class Page(object): def __init__(self, url, contents, child_urls, signature): self.url = url self.contents = contents self.child_urls = child_urls self.signature = signature ``` `Crawler` 是**爬虫服务**的主类，由`Page` 和 `PagesDataStore` 组成。 ```python class Crawler(object): def __init__(self, data_store, reverse_index_queue, doc_index_queue): self.data_store = data_store self.reverse_index_queue = reverse_index_queue self.doc_index_queue = doc_index_queue def create_signature(self, page): """基于页面链接与内容生成签名。""" ... def crawl_page(self, page): for url in page.child_urls: self.data_store.add_link_to_crawl(url) page.signature = self.create_signature(page) self.data_store.remove_link_to_crawl(page.url) self.data_store.insert_crawled_link(page.url, page.signature) def crawl(self): while True: page = self.data_store.extract_max_priority_page() if page is None: break if self.data_store.crawled_similar(page.signature): self.data_store.reduce_priority_link_to_crawl(page.url) else: self.crawl_page(page) ``` ### 处理重复内容 我们要谨防网页爬虫陷入死循环，这通常会发生在爬虫路径中存在环的情况。 **向面试官了解你需要写多少代码**. 删除重复链接： * 假设数据量较小，我们可以用类似于 `sort | unique` 的方法。（译注： 先排序，后去重） * 假设有 10 亿条数据，我们应该使用 **MapReduce** 来输出只出现 1 次的记录。 ```python class RemoveDuplicateUrls(MRJob): def mapper(self, _, line): yield line, 1 def reducer(self, key, values): total = sum(values) if total == 1: yield key, total ``` 比起处理重复内容，检测重复内容更为复杂。我们可以基于网页内容生成签名，然后对比两者签名的相似度。可能会用到的算法有 [Jaccard index](https://en.wikipedia.org/wiki/Jaccard_index) 以及 [cosine similarity](https://en.wikipedia.org/wiki/Cosine_similarity)。 ### 抓取结果更新策略 要定期重新抓取页面以确保新鲜度。抓取结果应该有个 `timestamp` 字段记录上一次页面抓取时间。每隔一段时间，比如说 1 周，所有页面都需要更新一次。对于热门网站或是内容频繁更新的网站，爬虫抓取间隔可以缩短。 尽管我们不会深入网页数据分析的细节，我们仍然要做一些数据挖掘工作来确定一个页面的平均更新时间，并且根据相关的统计数据来决定爬虫的重新抓取频率。 当然我们也应该根据站长提供的 `Robots.txt` 来控制爬虫的抓取频率。 ### 用例：用户输入搜索词后，可以看到相关的搜索结果列表，列表每一项都包含由网页爬虫生成的页面标题及摘要 * **客户端**向运行[反向代理](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#反向代理web-服务器)的 **Web 服务器**发送一个请求 * **Web 服务器** 发送请求到 **Query API** 服务器 * **查询 API** 服务将会做这些事情： * 解析查询参数 * 删除 HTML 标记 * 将文本分割成词组 （译注： 分词处理） * 修正错别字 * 规范化大小写 * 将搜索词转换为布尔运算 * 使用**倒排索引服务**来查找匹配查询的文档 * **倒排索引服务**对匹配到的结果进行排名，然后返回最符合的结果 * 使用**文档服务**返回文章标题与摘要 我们使用 [**REST API**](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#表述性状态转移rest) 与客户端通信： ``` $ curl https://search.com/api/v1/search?query=hello+world ``` 响应内容: ``` { "title": "foo's title", "snippet": "foo's snippet", "link": "https://foo.com", }, { "title": "bar's title", "snippet": "bar's snippet", "link": "https://bar.com", }, { "title": "baz's title", "snippet": "baz's snippet", "link": "https://baz.com", }, ``` 对于服务器内部通信，我们可以使用 [远程过程调用协议（RPC）](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#远程过程调用协议rpc) ## 第四步：架构扩展 > 根据限制条件，找到并解决瓶颈。 ![Imgur](http://i.imgur.com/bWxPtQA.png) **重要提示：不要直接从最初设计跳到最终设计！** 现在你要 1) **基准测试、负载测试**。2) **分析、描述**性能瓶颈。3) 在解决瓶颈问题的同时，评估替代方案、权衡利弊。4) 重复以上步骤。请阅读[设计一个系统，并将其扩大到为数以百万计的 AWS 用户服务](../scaling_aws/README.md) 来了解如何逐步扩大初始设计。 讨论初始设计可能遇到的瓶颈及相关解决方案是很重要的。例如加上一套配备多台 **Web 服务器**的**负载均衡器**是否能够解决问题？**CDN**呢？**主从复制**呢？它们各自的替代方案和需要**权衡**的利弊又有哪些呢？ 我们将会介绍一些组件来完成设计，并解决架构规模扩张问题。内置的负载均衡器将不做讨论以节省篇幅。 **为了避免重复讨论**，请参考[系统设计主题索引](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#系统设计主题的索引)相关部分来了解其要点、方案的权衡取舍以及替代方案。 * [DNS](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#域名系统) * [负载均衡器](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#负载均衡器) * [水平扩展](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#水平扩展) * [Web 服务器（反向代理）](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#反向代理web-服务器) * [API 服务器（应用层）](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#应用层) * [缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#缓存) * [NoSQL](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#nosql) * [一致性模式](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#一致性模式) * [可用性模式](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#可用性模式) 有些搜索词非常热门，有些则非常冷门。热门的搜索词可以通过诸如 Redis 或者 Memcached 之类的**内存缓存**来缩短响应时间，避免**倒排索引服务**以及**文档服务**过载。**内存缓存**同样适用于流量分布不均匀以及流量短时高峰问题。从内存中读取 1 MB 连续数据大约需要 250 微秒，而从 SSD 读取同样大小的数据要花费 4 倍的时间，从机械硬盘读取需要花费 80 倍以上的时间。1 以下是优化**爬虫服务**的其他建议： * 为了处理数据大小问题以及网络请求负载，**倒排索引服务**和**文档服务**可能需要大量应用数据分片和数据复制。 * DNS 查询可能会成为瓶颈，**爬虫服务**最好专门维护一套定期更新的 DNS 查询服务。 * 借助于[连接池](https://en.wikipedia.org/wiki/Connection_pool)，即同时维持多个开放网络连接，可以提升**爬虫服务**的性能并减少内存使用量。 * 改用 [UDP](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#用户数据报协议udp) 协议同样可以提升性能 * 网络爬虫受带宽影响较大，请确保带宽足够维持高吞吐量。 ## 其它要点 > 是否深入这些额外的主题，取决于你的问题范围和剩下的时间。 ### SQL 扩展模式 * [读取复制](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#主从复制) * [联合](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#联合) * [分片](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#分片) * [非规范化](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#非规范化) * [SQL 调优](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#sql-调优) #### NoSQL * [键-值存储](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#键-值存储) * [文档类型存储](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#文档类型存储) * [列型存储](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#列型存储) * [图数据库](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#图数据库) * [SQL vs NoSQL](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#sql-还是-nosql) ### 缓存 * 在哪缓存 * [客户端缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#客户端缓存) * [CDN 缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#cdn-缓存) * [Web 服务器缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#web-服务器缓存) * [数据库缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#数据库缓存) * [应用缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#应用缓存) * 什么需要缓存 * [数据库查询级别的缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#数据库查询级别的缓存) * [对象级别的缓存](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#对象级别的缓存) * 何时更新缓存 * [缓存模式](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#缓存模式) * [直写模式](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#直写模式) * [回写模式](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#回写模式) * [刷新](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#刷新) ### 异步与微服务 * [消息队列](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#消息队列) * [任务队列](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#任务队列) * [背压](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#背压) * [微服务](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#微服务) ### 通信 * 可权衡选择的方案： * 与客户端的外部通信 - [使用 REST 作为 HTTP API](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#表述性状态转移rest) * 内部通信 - [RPC](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#远程过程调用协议rpc) * [服务发现](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#服务发现) ### 安全性 请参阅[安全](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#安全)。 ### 延迟数值 请参阅[每个程序员都应该知道的延迟数](https://github.com/donnemartin/system-design-primer/blob/master/README-zh-Hans.md#每个程序员都应该知道的延迟数)。 ### 持续探讨 * 持续进行基准测试并监控你的系统，以解决他们提出的瓶颈问题。 * 架构扩展是一个迭代的过程。