爬虫面试题 | 系统设计 —— 如何设计一个网页爬虫

野原测试开发

发布于 2019-09-10 16:59:31

2K0

发布于 2019-09-10 16:59:31

文章被收录于专栏：技术探究

来源：https://juejin.im/post/598d1d3e51882548924134c2

译者：吃土小2叉

整编：离不开的网

设计一个网页爬虫

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。

1.1 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

1.2 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]、[nutch]以上两类的现成系统。

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。

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。

3.1 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、DMOZ 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 的有序集合来维护网页链接的排名。

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。

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。

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。

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。

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 以及 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 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）

第四步：架构扩展

根据限制条件，找到并解决瓶颈。

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相关部分来了解其要点、方案的权衡取舍以及替代方案。

DNS
负载均衡器
水平扩展
Web 服务器（反向代理）
API 服务器（应用层）
缓存
NoSQL
一致性模式
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。

以下是优化爬虫服务的其他建议：