15、go语言：并发版爬虫

最新推荐文章于 2022-01-29 21:19:01 发布

原创

最新推荐文章于 2022-01-29 21:19:01 发布 · 301 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#go

本文介绍了如何使用Go语言构建并发版的网络爬虫，包括架构设计、简单调度器、并发调度器和队列调度器的实现，以及如何处理负载均衡和URL去重。在设计中，Engine、Scheduler和Worker通过goroutine协同工作，Scheduler负责任务分配，而队列则用于实现任务的有序处理。同时，文章探讨了URL去重的多种策略，如哈希表、Bloom Filter和Redis分布式去重。

1、并发版爬虫架构：

//单任务版架构，耗时最多的是fetcher

在这里插入图片描述
fetcher的输出其实就是Parser的输入，可以把两者放一个模块

//送很多种子
func Run(seeds ...Request){
   
   
	var requests []Request
	for _,r :=  range seeds {
   
   
		requests := append(requests,r)
	}
	for len(requests) >0 {
   
   
		r  := requests[0]
		requests = requests[1:]
		
		parseResult,err :=worker(r)
		if err != nil {
   
   
			continue
		}
		requests = append(requests,parseResult.Requests...) //...表示把requests中的内容展开了添加进去，不然就得写成requests = append(requests,parseResult.Requests[0],parseResult.Requests[1])
		
		for _,item := range parseResult.Items {
   
   
			log.Printf("Got item %v",item) //%v直接输出，是数字输出数字，是字符串也直接输出
		}
	}
}

//提取worker
func worker(r Request) (ParseResult,err){
   
   
	log.Printf("Fetching %s",r.Url)
	body,err := fetcher.Fetch(r.Url)
	if err != nil {
   
   
		log.Printf("Fetcher: error " + "fetching url %s:%v",r.Url,err)
		return ParseResult{
   
   },err   //这里ParseResult不能返回nil
	}
	return r.ParserFunc(body),nil
}

//把worker并发
还需要一个Scheduler来分配任务
Engine用一个goroutine，Scheduler用一个goroutine，worker开多个goroutine
在这里插入图片描述

复杂点在Scheduler的设计，可以做复杂，也可以简单做
简单的就是Scheduler实现I，所有Worker公用一个输入
在这里插入图片描述
所有的Worker都从一个Scheduler拿Request，拿到一个处理一个

2、简单调度器：

type SimpleEngine struct {
   
   }

//送很多种子
func (e SimpleEngine) Run(seeds ...Request){
   
   
	var requests []Request
	for _,r :=  range seeds {
   
   
		requests := append(requests,r)
	}
	for len(requests) >0 {
   
   
		r  := requests[0]
		requests = requests[1:]
		
		parseResult,err :=e.worker