简单分布式爬虫

简单分布式爬虫

一、简单分布式爬虫结构

主从模式，主从模式是指由一台主机作为控制节点，负责管理所有运行网络爬虫的主机，爬虫只需要从控制节点那里接收任务，并把新生成任务提交给控制节点就可以了，

在这个过程中不必与其他爬虫通信，这种方式实现简单、利于管理。而控制节点则需要与所有爬虫进行通信，因此可有看到主从模式是有缺陷的，控制节点会成为整个系统的瓶颈，容易导致整个分布式网络爬虫系统性能下降。

　　此次使用三台主机进行分布式爬取，一台主机作为控制节点，另外两台主机作为爬虫节点。爬虫结构。

二、控制节点

　　控制节点（ControINode）主要分为URL管理器、数据存储器和控制调度器。控制调度器通过三个进程来协调URL管理器和数据存储器的工作：一个是URL管理进程，负责URL管理和将URL传递给爬虫节点；一个是数据提取进程，负责读取爬虫节点返回的数据

2.1 URL管理器

之前的一种方式是采用的set内存去重的方式，如果直接存储大量的url链接，尤其是URL链接很长时候，很容易造成内存溢出，所以我们将爬取过的URL进行md5处理。字符串经过经过MD5处理后的信息摘要长度为128位，将生成的MD5摘要存储到set后，可以减少好几倍的内存消耗，不过Python中的MD5算法生成的是256位，取中间的128位即可，我们同时添加save_progress和load_progress方法进行序列化操作，将未爬取URL集合和已爬取的URL集合序列化到本地，保存当前的进度，以便下次付汇状态。URL管理器URL代码如下：

 

 

2.2 数据存储器