如何设计爬虫系统?

作者 | 九章算法东邪老师

问题描述:如果让你来设计一个最基本的Web Crawler,该如何设计?需要考虑的因素有哪些?

解题思路

这个问题是面试中常见的设计类问题。没有标准答案。需要尽可能的回答出多一点的考虑因素。

实际上如果你没有做过相关的设计,想要回答出一个让面试官满意的结果其实并不是很容易。该问题并不局限于你在去面试搜索引擎公司时可能会问到。这里,我们从Junior Level和Senior Level两个角度来解答这个问题。

本题运用九章算法《系统架构设计》答题技巧则进行拆解,在课程中会有更详细的讲解。

1.如何抽象整个互联网

- Junior
抽象为一个无向图,网页为节点,网页中的链接为有向边。

- Senior
同上。

2.抓取算法

- Junior
采用BFS的方法,维护一个队列,抓取到一个网页以后,分析网页的链接,扔到队列里。

- Senior
采用优先队列调度,区别于单纯的BFS,对于每个网页设定一定的抓取权重,优先抓取权重较高的网页。对于权重的设定,考虑的因素有:1. 是否属于一个比较热门的网站 2. 链接长度 3. link到该网页的网页的权重 4. 该网页被指向的次数 等等。

进一步考虑,对于热门的网站,不能无限制的抓取,所以需要进行二级调度。首先调度抓取哪个网站,然后选中了要抓取的网站之后,调度在该网站中抓取哪些网页。这样做的好处是,非常礼貌的对单个网站的抓取有一定的限制,也给其他网站的网页抓取一些机会。

在我的《系统架构设计》第15章会通过对爬虫系统设计 (Web Crawler) 与 搜索建议系统设计 (Google Suggestion) 详细分析如下内容:

  • 多线程
  • 生产者消费者模型
  • 爬虫系统的演化:单线程,多线程,分布式
  • Trie 结构的原理及应用
  • 如何在系统设计中使用 Trie

3.网络模型

- Junior
多线程抓取。

- Senior
分别考虑单机抓取和分布式抓取的情况。对于Windows的单机,可以使用IOCP完成端口进行异步抓取,该种网络访问的方式可以最大程度的利用闲散资源。因为网络访问是需要等待的,如果简单的同时开多个线程,计算机用于线程间切换的耗费会非常大,这种用于处理抓取结果的时间就会非常少。IOCP可以做到使用几个线程就完成几十个线程同步抓取的效果。对于多机的抓取,需要考虑机器的分布,如抓取亚洲的站点,则用在亚洲范围内的计算机等等。

4.实时性

- Junior
无需回答

- Senior
新闻网页的抓取一般来说是利用单独的爬虫来完成。新闻网页抓取的爬虫的权重设置与普通爬虫会有所区别。首先需要进行新闻源的筛选,这里有两种方式,一种是人工设置新闻源,如新浪首页,第二种方式是通过机器学习的方法。新闻源可以定义链接数非常多,链接内容经常变化的网页。从新闻源网页出发往下抓取给定层级限制的网页所得到,再根据网页中的时间戳信息判断,就可以加入新闻网页。

5.网页更新

- Junior
无需回答。

- Senior
网页如果被抓下来以后,有的网页会持续变化,有的不会。这里就需要对网页的抓取设置一些生命力信息。当一个新的网页链接被发现以后,他的生命力时间戳信息应该是被发现的时间,表示马上需要被抓取,当一个网页被抓取之后,他的生命力时间戳信息可以被设置为x分钟以后,那么,等到x分钟以后,这个网页就可以根据这个时间戳来判断出,他需要被马上再抓取一次了。一个网页被第二次抓取以后,需要和之前的内容进行对比,如果内容一致,则延长下一次抓取的时间,如设为2x分钟后再抓取,直到达到一个限制长度如半年或者三个月(这个数值取决于你爬虫的能力)。如果被更新了,则需要缩短时间,如,x/2分钟之后再抓取。

6.总结

一般来说,上述5点是你可以去回答如何设计一个爬虫的5个角度。


九章算法,程序员的职场必修课。硅谷顶尖科技公司和国内一线互联网大厂IT工程师在线授课。课程类型丰富,涵盖算法类、项目实战类、小班训练营、VIP1对1私人服务等课程,帮助10w+学员成功拿到国内外顶尖大厂offer。

上一篇:[leetcode/lintcode 题解] 阿里巴巴面试真题:数组评分


下一篇:[leetcode/lintcode 题解]国内大厂面试真题详解:摊平二维向量