我们在第五节中提到一个问题,任务队列增长速度太快,与之对应的采集、分析、处理速度远远跟不上,造成内存快速增长,带宽占用过高,CPU使用率过高,这样是极度有害系统健康的。
我们在开发采集程序的时候,总是希望能够尽快将数据爬取下来,如果总任务数量很小(2~3K请求数之内),总耗费时长很短(1~2分钟之内),那么,对系统的正常运行不会造成太严重的影响,我们尽可以肆无忌惮。但,当总任务数量更多,总耗费时长更长,那么,无休止的任务堆积,就会给系统带来难以预料甚至是很严重的后果。
为此,我们不得不考虑几个问题:
- 我们的任务总量大概在什么量级,全速采集大概需要耗费多少时间、多少资源,未来的发展是不是可控?
- 采集系统自身依托的环境资源是否充足,是否能够满足随之而来的巨大的资源消耗?
- 采集的目标资源系统是否具有某些反爬策略限制?
- 采集的目标资源系统是否能够承受得住如此数量级的并发采集请求(无论单点或分布式采集系统,都要考虑这点)?
- 随着采集结果返回,带来的后续分析、处理、存储能力是否能够满足大量数据的瞬时到来?
由以上问题也可以看出,一个爬虫系统策略的制定,需要考虑的问题也是全方位的,而不仅仅是采集本身,不同的环境、规模、目标,采用的策略也不尽相同。本节,我们将讨论一下,如果我们的能力不能满足上述条件的情况下,如何来制定一个并发策略以及如何实现它。
并发策略,从规模上可以分为全局并发策略和单点并发策略,全局并发策略包含单点并发策略,不过它也需要同时考虑负载均衡策略对制定并发策略的影响。目前,我们还没有将爬虫框架扩展到分布式框架,暂时先不考虑全局并发策略的制定。主要探讨一下单点并发策略制定与实现。
单点并发策略的制定:
通常,我们在制定单点并发策略时,需要从哪些角度考虑,使用什么方法,以及如何决策?下面我们就来详细聊聊:)
1、我们先来梳理一下采集系统自身所依托的环境资源:
除了CPU、内存、存储器、带宽这些耳熟能详的资源外,还有就是比较容易被忽略的操作系统可用端口。对于各种资源的占用情况,下面给出一些建议(均值):
- CPU:采集系统的占用总量建议不超过30%,CPU总使用量建议不超过50%。(虽然我这个疯子经常贪婪过渡T_T)。对于多核CPU,线程创建数量建议不超过CPU核数的两倍。
- 内存:采集系统的占用总量建议不超过50%,内存总使用量建议不超过70%。
- 存储器:对于商业或者大规模的爬虫体系,建议将存储分离,使用外部存储设备,比如NAS、分布式缓存、数据仓库等;当然,其他爬虫体系也这么建议,但如果条件不允许的话,只能存储在本地磁盘的话,就需要考虑磁盘的IOPS了,即使是使用缓存、数据库系统来作为中间存储媒介,实质上也是与磁盘IO打交道,不过一般的缓存、数据库系统都会对IO做优化,而且能干预的力度比较小,倒是可以略微“省心”。这个,本人也无法给出一个合理的通用的建议值,磁盘的性能千奇百怪,只能是按实际环境来拿捏了。
- 带宽:分为上行、下行两个带宽指标,采集系统在这两个指标中的占用总量都不建议超过80%。除了考虑ISP分配的带宽,还要考虑会影响其效能的周边设备,比如猫、交换机、路由器甚至是网线的吞吐能力。说来尴尬,我经常在家里做实验,爬虫系统和目标资源系统都还OK,联通的光猫跪了……重启复活……又跪了……重启复活……又跪了……重启复活……
- 可用端口:这个是一个隐性条件,也是经常被忽略的限制。拿Windows系统来说,可用的端口最大数量为UInt16.MaxValue(65535)个,而伴随着系统启动,就会有一系列的服务占用了部分端口,比如IIS中的网站、数据库、QQ,而系统本身也会保留一部分端口,比如443、3389等。而是否能够使用端口重用技术来缓解疼痛,对具体实现以及NAS端口映射规则的要求更高,不好或不可控。所以爬虫本身能够使用的端口数就有一个极限限制,这个也没有建议值,具体情况各不相同。
总之,资源总是有限的,大体原则就是:做人留一线,日后好相见:)
2、对于目标资源系统的资源环境:
通常,我们无法探知具体的资源情况,再加上对方可能使用反爬策略,就是知道具体的资源情况,也不见得就有用。对于制定并发策略,我们更关心的是对方能够吃的下多大的鸭梨,以及探索其反爬策略允许的极限。为此,我们需要使用下述的方法,来辅助我们制定策略。
3、通常使用的方法:
3.1、需要找到目标资源系统中的一个URI,原则是轻量、成功率高(最好是100%),比如,一张小小的图片、一个简单短小的ajax接口、一个静态html甚至是一个xxx.min.css,但要注意,我们选取的URI可千万不要是经过CDN加速的,否则T_T;
3.2、接下来,我们就针对选取的URI进行周期采集,对于一般的资源站点,初始频率设置为1秒1次,就可以了;
3.3、然后就是运行一段时间观察结果,后面我们再说运行多长时间观察为合适;
3.4、如果观察结果OK,成功率能够达到95%+,那么,我们就可以适量缩小采集周期,反之,就要适当延长采集周期;
3.5、重复3.3~3.4,最后得到一个合理的极限周期;
3.6、至于一次观察多长时间,不同的反爬策略,有着不同的限制,这个需要小心。我曾经的一个项目,当时就比较心急,观测了5分钟,没什么问题,就丢出去了,结果后来现实告诉我,他们的策略是1分钟累计限制、10分钟累计限制、20分钟累计限制、30分钟累计限制、1小时累计限制……而且累计限制逐级递减,也就是说,你满足了1分钟的累计限制,x10,就不一定满足10分钟的累计限制,x60就有可能远远超出了1小时累计限制。这里给出一个建议,至少30分钟。因为目标系统去统计每一个来源IP的访问周期,也是一个不小的代价,所以也不可能做到无限期的监测,通常半小时到一小时已经是极限了。这里也给出一个最保险的观测周期,那就是根据请求总量及当前频率,预估耗费总时长,作为观测周期,这样是最稳妥的,但,这也可能是不切实际的:(
4、如何制定并发策略:
通过上述3步,结合自身的资源情况、目标的反爬策略及承受能力、以及观测结果,我们就可以制定一个大概的并发量了,制定决策也就不那么困难了;
我们的任务都是存储在队列中,并发的限制,无非就是控制入队的频率,所以,只需要把前面的统计结果转化为最小请求间隔,就是我们最终的并发策略了;
为什么是控制入队,而不是出队呢?因为如果不控制入队,那么队列还是会无限暴增,直至“死亡”,而限制入队,一方面避免队列暴增,另一方面,阻塞新任务的生成,降低CPU及内存使用量;
单点并发策略的实现:
有了理论基础,在技术实现上,就不是什么难事儿了。
1 namespace MikeWare.Core.Components.CrawlerFramework.Policies 2 { 3 using System; 4 5 public abstract class AConcurrentPolicy 6 { 7 public virtual bool WaitOne(TimeSpan timeout) => throw new NotImplementedException(); 8 9 public virtual void ReleaseOne() => throw new NotImplementedException(); 10 } 11 }
这是一个抽象类,具有两个抽象方法,作为并发策略的基础实现;
我写了两种并发策略的具体实现,PeriodConcurrentPolicy和SemaphoreConcurrentPolicy,他们的目的都是用来控制入队的频率,目标一致,方法不同,您也可以实现自己的并发策略;
本节,我们主要说道说道System.Threading.Semaphore的使用及SemaphoreConcurrentPolicy的实现原理;
1 namespace MikeWare.Core.Components.CrawlerFramework.Policies 2 { 3 using System; 4 using System.Threading; 5 6 public class SemaphoreConcurrentPolicy : AConcurrentPolicy 7 { 8 private Semaphore semaphore = null; 9 10 public SemaphoreConcurrentPolicy(int init, int max) 11 { 12 semaphore = new Semaphore(init, max); 13 } 14 15 public override bool WaitOne(TimeSpan timeout) 16 { 17 return semaphore.WaitOne(timeout); 18 } 19 20 public override void ReleaseOne() 21 { 22 semaphore.Release(1); 23 } 24 } 25 }
SemaphoreConcurrentPolicy继承自AConcurrentPolicy,定义了一个私有变量Semaphore semaphore,以及重写了基类的两个抽象方法;
namespace System.Threading { // // Summary: // Limits the number of threads that can access a resource or pool of resources // concurrently. public sealed class Semaphore : WaitHandle { // // Summary: // Initializes a new instance of the System.Threading.Semaphore class, specifying // the initial number of entries and the maximum number of concurrent entries. // // Parameters: // initialCount: // The initial number of requests for the semaphore that can be granted concurrently. // // maximumCount: // The maximum number of requests for the semaphore that can be granted concurrently. // // Exceptions: // T:System.ArgumentException: // initialCount is greater than maximumCount. // // T:System.ArgumentOutOfRangeException: // maximumCount is less than 1. -or- initialCount is less than 0. public Semaphore(int initialCount, int maximumCount); // // Summary: // Initializes a new instance of the System.Threading.Semaphore class, specifying // the initial number of entries and the maximum number of concurrent entries, and // optionally specifying the name of a system semaphore object. // // Parameters: // initialCount: // The initial number of requests for the semaphore that can be granted concurrently. // // maximumCount: // The maximum number of requests for the semaphore that can be granted concurrently. // // name: // The name of a named system semaphore object. // // Exceptions: // T:System.ArgumentException: // initialCount is greater than maximumCount. -or- name is longer than 260 characters. // // T:System.ArgumentOutOfRangeException: // maximumCount is less than 1. -or- initialCount is less than 0. // // T:System.IO.IOException: // A Win32 error occurred. // // T:System.UnauthorizedAccessException: // The named semaphore exists and has access control security, and the user does // not have System.Security.AccessControl.SemaphoreRights.FullControl. // // T:System.Threading.WaitHandleCannotBeOpenedException: // The named semaphore cannot be created, perhaps because a wait handle of a different // type has the same name. public Semaphore(int initialCount, int maximumCount, string name); // // Summary: // Initializes a new instance of the System.Threading.Semaphore class, specifying // the initial number of entries and the maximum number of concurrent entries, optionally // specifying the name of a system semaphore object, and specifying a variable that // receives a value indicating whether a new system semaphore was created. // // Parameters: // initialCount: // The initial number of requests for the semaphore that can be satisfied concurrently. // // maximumCount: // The maximum number of requests for the semaphore that can be satisfied concurrently. // // name: // The name of a named system semaphore object. // // createdNew: // When this method returns, contains true if a local semaphore was created (that // is, if name is null or an empty string) or if the specified named system semaphore // was created; false if the specified named system semaphore already existed. This // parameter is passed uninitialized. // // Exceptions: // T:System.ArgumentException: // initialCount is greater than maximumCount. -or- name is longer than 260 characters. // // T:System.ArgumentOutOfRangeException: // maximumCount is less than 1. -or- initialCount is less than 0. // // T:System.IO.IOException: // A Win32 error occurred. // // T:System.UnauthorizedAccessException: // The named semaphore exists and has access control security, and the user does // not have System.Security.AccessControl.SemaphoreRights.FullControl. // // T:System.Threading.WaitHandleCannotBeOpenedException: // The named semaphore cannot be created, perhaps because a wait handle of a different // type has the same name. public Semaphore(int initialCount, int maximumCount, string name, out bool createdNew); // // Summary: // Opens the specified named semaphore, if it already exists. // // Parameters: // name: // The name of the system semaphore to open. // // Returns: // An object that represents the named system semaphore. // // Exceptions: // T:System.ArgumentException: // name is an empty string. -or- name is longer than 260 characters. // // T:System.ArgumentNullException: // name is null. // // T:System.Threading.WaitHandleCannotBeOpenedException: // The named semaphore does not exist. // // T:System.IO.IOException: // A Win32 error occurred. // // T:System.UnauthorizedAccessException: // The named semaphore exists, but the user does not have the security access required // to use it. public static Semaphore OpenExisting(string name); // // Summary: // Opens the specified named semaphore, if it already exists, and returns a value // that indicates whether the operation succeeded. // // Parameters: // name: // The name of the system semaphore to open. // // result: // When this method returns, contains a System.Threading.Semaphore object that represents // the named semaphore if the call succeeded, or null if the call failed. This parameter // is treated as uninitialized. // // Returns: // true if the named semaphore was opened successfully; otherwise, false. // // Exceptions: // T:System.ArgumentException: // name is an empty string. -or- name is longer than 260 characters. // // T:System.ArgumentNullException: // name is null. // // T:System.IO.IOException: // A Win32 error occurred. // // T:System.UnauthorizedAccessException: // The named semaphore exists, but the user does not have the security access required // to use it. public static bool TryOpenExisting(string name, out Semaphore result); // // Summary: // Exits the semaphore and returns the previous count. // // Returns: // The count on the semaphore before the System.Threading.Semaphore.Release* method // was called. // // Exceptions: // T:System.Threading.SemaphoreFullException: // The semaphore count is already at the maximum value. // // T:System.IO.IOException: // A Win32 error occurred with a named semaphore. // // T:System.UnauthorizedAccessException: // The current semaphore represents a named system semaphore, but the user does // not have System.Security.AccessControl.SemaphoreRights.Modify. -or- The current // semaphore represents a named system semaphore, but it was not opened with System.Security.AccessControl.SemaphoreRights.Modify. public int Release(); // // Summary: // Exits the semaphore a specified number of times and returns the previous count. // // Parameters: // releaseCount: // The number of times to exit the semaphore. // // Returns: // The count on the semaphore before the System.Threading.Semaphore.Release* method // was called. // // Exceptions: // T:System.ArgumentOutOfRangeException: // releaseCount is less than 1. // // T:System.Threading.SemaphoreFullException: // The semaphore count is already at the maximum value. // // T:System.IO.IOException: // A Win32 error occurred with a named semaphore. // // T:System.UnauthorizedAccessException: // The current semaphore represents a named system semaphore, but the user does // not have System.Security.AccessControl.SemaphoreRights.Modify rights. -or- The // current semaphore represents a named system semaphore, but it was not opened // with System.Security.AccessControl.SemaphoreRights.Modify rights. public int Release(int releaseCount); } }
看它的summary,我们大体了解这个类就是专门用来做并发限制的,它具有三个构造函数,我们最关心的,就是其中两个参数int initialCount, int maximumCount及其涵义;
initialCount:能够被Semaphore 授予的数量的初始值;
maximumCount:能够被Semaphore 授予的最大值;
字面意思可能不太好理解,我们来把官宣翻译成普通话:)
举个栗子,我们把Semaphore看成是一个用来装钥匙的盒子,每一个想要进入队列这道“门”的任务,都需要先从盒子里取一把钥匙,才能进入;initialCount,就是说,这个盒子,一开始的时候,放几把钥匙,但是进入队列的任务,时时不肯出来,不归还钥匙,无钥匙可用,这时管理员就决定再多配一些钥匙,以备用,于是,一些新钥匙又被放入盒子里,但盒子的容积有限,一共能容纳多少把钥匙,就是maximumCount了。
当然,我们常见的情况是构造盒子的时候,initialCount == maximumCount,特殊场景下,会设置不相同,这个视具体业务而定。然而,maximumCount不能小于initialCount,initialCount不能小于0,这个是硬性的。
这样是不是initialCount 和 maximumCount就很容易理解了。
同时,Semaphore 还有非常重要的方法(Release)方法,再把上面的栗子举起来说话,Release就是归还钥匙,任务结束了,那么就出门还钥匙,然后其它在门口等待的任务就可以领到钥匙进门了:)
再者,Semaphore 继承自System.Threading.WaitHandle,于是乎,它就具有了一系列Wait方法,当有新任务来领钥匙,一看,盒子空了,那怎么办呢,等吧,但是等多久呢,是一直等下去还是等一个超时时间,这就看业务逻辑了。
在我的SemaphoreConcurrentPolicy实现里,会提供一个超时时间,爬虫蚂蚁小队长会判断,如果没拿到钥匙,就会再次回来尝试取钥匙。
OK,接下来,就是对我们的蚂蚁小队长进行改造了:
1 namespace MikeWare.Core.Components.CrawlerFramework 2 { 3 using MikeWare.Core.Components.CrawlerFramework.Policies; 4 using System; 5 using System.Collections.Concurrent; 6 using System.Threading; 7 using System.Threading.Tasks; 8 9 public class LeaderAnt : Ant 10 { 11 private ConcurrentQueue<JobContext> Queue; 12 private ManualResetEvent mre = new ManualResetEvent(false); 13 public AConcurrentPolicy EnqueuePolicy { get; set; } 14 15 …… 16 17 public void Enqueue(JobContext context) 18 { 19 if (null != EnqueuePolicy) 20 { 21 while (!EnqueuePolicy.WaitOne(TimeSpan.FromMilliseconds(3)) && !mre.WaitOne(1)) 22 continue; 23 } 24 25 Queue.Enqueue(context); 26 } 27 28 …… 29 }
主要是在入队的时候,增加了拿钥匙的环节;
1 namespace MikeWare.Crawlers.EBooks.Bizs 2 { 3 using MikeWare.Core.Components.CrawlerFramework; 4 using MikeWare.Core.Components.CrawlerFramework.Policies; 5 using MikeWare.Crawlers.EBooks.Entities; 6 using System; 7 using System.Collections.Generic; 8 using System.Net; 9 10 public class EBooksCrawler 11 { 12 public static void Start(int pageIndex, DateTime lastUpdateTime) 13 { 14 var leader = new LeaderAnt() 15 { 16 EnqueuePolicy = new SemaphoreConcurrentPolicy(100, 100) 17 //EnqueuePolicy = new PeriodEnqueuePolicy(TimeSpan.FromMilliseconds(150)) 18 }; 19 20 var newContext = new JobContext 21 { 22 JobName = $"奇书网-最新电子书-列表-第{pageIndex.ToString("00000")}页", 23 Uri = $"http://www.xqishuta.com/s/new/index_{pageIndex}.html", 24 Method = WebRequestMethods.Http.Get, 25 InParams = new Dictionary<string, object>(), 26 Analizer = new BooksListAnalizer(), 27 }; 28 newContext.InParams.Add(Consts.PAGE_INDEX, 1); 29 newContext.InParams.Add(Consts.LAST_UPDATE_TIME, DateTime.MinValue); 30 31 leader.Enqueue(newContext); 32 33 leader.Work(); 34 } 35 } 36 }
主要是在构造LeaderAnt的时候,为其指定了我们要使用的策略;
同时需要注意的是,这个SemaphoreConcurrentPolicy并发策略的实现,并没有规定入队的时间间隔,而是控制了最大的队列长度,所以,并发的频率可能高,可能低,这个策略可以用来制衡资源的使用情况。关于入队时间间隔,可以使用PeriodConcurrentPolicy或自己实现策略来控制;
另一个策略的实现,我们就不在这里细说了。有兴趣的同学可以看看源码。
好了,本节的内容就这么多吧,相信大家对并发策略的制定与实现,都有了各自的理解。
后续章节同样精彩,敬请期待……
喜欢本系列丛书的朋友,可以点击链接加入QQ交流群(994761602)【C# 破境之道】
方便各位在有疑问的时候可以及时给我个反馈。同时,也算是给各位志同道合的朋友提供一个交流的平台。
需要源码的童鞋,也可以在群文件中获取最新源代码。