手把手教你寫網(wǎng)絡(luò)爬蟲（6）：分布式爬蟲
作者：佚名
對于分布式爬蟲系統(tǒng)來說，假設(shè)1臺機器能10天爬完一個任務(wù)，如果部署10臺機器，那么1天就會完成這個任務(wù)。這樣就用可以接受的成本，讓系統(tǒng)的效率提高十倍。之前介紹的單機架構(gòu)師達不到這種效果的，是時候介紹信的架構(gòu)了！
本系列：
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（1）：網(wǎng)易云音樂歌單》
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（2）：迷你爬蟲架構(gòu)》
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（3）：開源爬蟲框架對比》
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（4）：Scrapy入門》
- 《手把手教你寫網(wǎng)絡(luò)爬蟲（5）：PhantomJS實戰(zhàn)》
筆者以前看過一個電影叫《Who Am I – No System Is Safe》，劇中的黑客老大“Who Am I”就用代理來隱藏自己，躲避FBI和其他黑客組織的追蹤。
| taskId:flag:crawler:info | ||
| Filed | value | 說明 |
| totalCnt | 10000 | 抓取的url總數(shù)：抓取完成，不管成功失敗，都加1 |
| failCnt | 0 | 抓取的url失敗數(shù)：抓取失敗，加1 |
| switch | 1 | 任務(wù)狀態(tài)：0：停止，1：啟動，2：暫停，3：暫停啟動 |
| priority | 1 | 任務(wù)優(yōu)先級 |
| retryCnt | 0 | 重試次數(shù) |
| status | 0 | 任務(wù)執(zhí)行狀態(tài)：1：進行中，2：完成 |
| Ref | 0 | url引用數(shù)：每消費一個url，減1；生成一個url，加1。等于0則任務(wù)完成 |
| maxThreadCnt | 100 | 任務(wù)的***線程數(shù) |
| remainThreadCnt | 10 | 剩余可用線程數(shù) |
| lastFetchTime | 1496404451532 | 上一次抓取時間 |
|
taskId:flag:parser:info |
||
| Filed | value | 說明 |
| totalCnt | 10000 | 解析總數(shù)：解析完成，不管成功失敗，都加1 |
| failCnt | 0 | 解析失敗數(shù)：解析失敗，加1 |
| crawlerStatus | 0 | 爬取狀態(tài)：0：進行中，2：完成 |
| ref | 10 | url引用數(shù)：crawler每保存一個網(wǎng)頁，加1；parser每解析完成一個網(wǎng)頁，減1。等于0不說明任務(wù)完成。若crawlerStatus等于2，ref等于0，則任務(wù)完成。 |
|
taskId:flag:filter:info |
||
| Filed | value | 說明 |
| totalCnt | 10000 | 清洗總數(shù)：清洗完成，不管成功失敗，都加1 |
| failCnt | 0 | 清洗失敗數(shù)：清洗失敗，加1 |
| crawlerStatus | 0 | 解析狀態(tài)：0：進行中，2：完成 |
| ref | 10 | url引用數(shù)：parser每保存一條數(shù)據(jù)，加1；filter每清洗完成一條數(shù)據(jù)，減1。等于0不說明任務(wù)完成。若parserStatus等于2，ref等于0，則任務(wù)完成。 |
流程控制 – failover
如果一個Crawler_core的機器掛掉了，就會開始數(shù)據(jù)恢復(fù)程序，把這臺機器所有未完成的任務(wù)恢復(fù)到公共緩存中。
責(zé)任編輯：龐桂玉
來源：
Python開發(fā)者
