bilibili御坂网络计划: https://misaka.sisters.top
只保留与此相关的数据,其余数据已删除
开发环境
服务器 | 客户端 | 管理程序 | |
---|---|---|---|
语言 | C++11 | C++11 | C++11 |
开发环境 | Linux/vim/xmake | VS2017 | VS2017+Qt5.12 |
运行环境 | Linux | Windows / Linux | Windows |
其他环境
配置项 | 值 |
---|---|
数据库 | MySQL-8.0.20 |
客户端是在Windows下开发的,但是代码可以直接放到到Linux上编译运行。
管理程序是在Windows下用VS2017开发的,也可以移植到Linux上使用Qt Creator开发(没有测试,不过代码基本上没有用到平台相关的函数,有的话也通过
_WIN32
宏进行了区分)。服务器和客户端均可在内网或公网上运行,只要能够通过IP或域名访问到即可。
- open-source-parsers/Jsoncpp: 解析Json。添加了几个实用函数 (src/json/json.h)
- gabime/spdlog: 日志库。进行了简单封装 (src/log/logger.h)
- libmysql: MySQL官方的C API。进行了简单封装 (src/database/mysql_instance.h)
- hongliuliao/ehttp: Http server。This library make http (with json) microservice easy!
- Leopard-C/iclient: 封装的libcurl,进行http请求。(个人仓库)
使用的代理IP提供商,IP有效时间1-5分钟,不固定,所以通过记录每个代理IP请求失败的次数,达到阈值(比如30)就认为该IP失效,清除该IP。
-
管理客户端,包括客户端的加入、退出、心跳检测。
- 客户端加入:返回一个clientID,自增,不会重复。
- 客户端退出(主动):删除该客户端,回收其未完成的任务。
- 客户端心跳检测:客户端每次申请任务、提交任务都视为一次心跳检测。
- 客户端退出(被动):如果检测到客户端长时间没有心跳,就将该客户端踢出,并回收其未完成的任务(假如该客户端仍然存活,那么下一次申请或者提交任务时,就会被拒绝,然后客户端就会自动退出)
- 复用:客户端每次申请(提交)任务,都相当于完成了三件事:申请(提交)任务、报告该客户端已经爬取的用户信息数量、心跳检测。将三种请求合并为一次,旨在减轻服务器端的压力,而且能减轻代码的复杂度。
-
管理爬虫任务,包括申请任务、提交任务。任务结构体定义如下:
struct BiliTask { int clientId; /* 申请该任务的客户端ID */ unsigned int midStart; /* 起始用户ID */ unsigned int midEnd; /* 终止用户ID(不含) */ time_t ttl; /* 过期时间,如果在这之前没有提交任务,就回收该任务,重新分配 */ };
-
更新代理IP数据库。根据购买的代理IP的使用规则,间隔指定时间,从服务商那里获取新的代理IP,添加到数据库,同时,清除数据库中失效的代理IP(失败次数达到阈值)。
这里客户端
,指的是一个进程
。每个进程
中又运行着多个线程
,真正的爬虫过程是在线程
里执行的。
每个客户端:
-
维护一个代理IP池,或者称之为代理IP管理器。(src/manager/ProxyManager),关键成员变量是
proxies
// <代理IP信息,失败次数> std::map<ProxyData, int> proxies;
- 爬虫线程每次爬取用户信息时,就从本地代理IP池中随机取一个代理IP。
- 如果使用某个代理IP爬虫失败
- 原因是该代理IP的质量问题 ==> 记录该代理IP失败次数加一
- 原因是该代理IP被目标网站封锁 ==> 删除该IP(本地和数据库中都删除)
- 间隔指定时间:
- 将本地代理IP池中,每个IP失败的次数更新到数据库中;
- 清空本地代理IP池;
- 取出数据库中所有代理IP(失败次数小于阈值),放入本地代理IP池中。
-
维护一个任务分配管理器(为了和服务器端区分,这里称之为
LocalTaskManager
)。-
LocalTaskManager
向爬虫服务器的任务管理器(这里称之为ServerTaskManager
)申请一个MainTask
,然后细分为许多个SubTask
,下发给每个爬虫线程。如果MainTask
下发完毕(可能还没有完成),就继续申请MainTask
。 -
爬虫线程向
LocalTaskManager
提交SubTask
:- 成功的部分 ==> 缓存,缓存满(或间隔了一定量的用户)再一次性写入数据库。需要区分用户信息为空和非空两类。
- 失败的部分 ==> 记录下来,之后爬虫线程向
LocalTaskManager
申请任务时,优先分配这些用户ID。
-
MainTask
全部执行完成,提交到ServerTaskManager
。(凡是提交的任务,任务中的所有用户信息都爬取成功并写入了数据库!!!)/* 主任务 */ struct MainTask { MainTask() = default; MainTask(int id, unsigned int start, unsigned int end) : id(id), midStart(start), midEnd(end) {} bool isCompleted() const { return completed >= midEnd - midStart; } int id = -1; unsigned int midStart = 0; unsigned int midEnd = 0; unsigned int completed = 0; }; /* 子任务 */ struct SubTask { SubTask(int mainTaskId, const std::vector<unsigned int>& mids) : mainTaskId(mainTaskId), mids(mids) {} int mainTaskId; /* 该子任务所属的主任务的id */ std::vector<unsigned int> mids; };
-
三种数据表
以下每个进程中都开了50个线程。
- 一台Linux小主机:主要作为爬虫服务器,同时也运行着爬虫客户端(3~6个进程,非主力)
- CPU:5代i3
- MEM:8G
- 一台Linux笔记本:爬虫客户端(5+个进程,半个主力)
- CPU:7代i5
- MEM:8G
- 一台Windows台式机:爬虫客户端(10+个进程,主力)
- CPU:9代i5
- MEM:16G
- 一台Windows台式机:MySQL数据库,爬虫客户端(10+个进程,绝对主力)
- CPU:2代R5
- MEM:16G
【注意】 客户端必须能够通过IP访问到服务器和Mysql数据库,服务器也必须能够访问到Mysql数据库。
客户端只需要配置一个配置文件 config/spider.json
,填入爬虫服务器的地址、启动的爬虫线程数 和Token
。然后运行即可。
{
"server_addr": "10.133.xxx.xxx:10033",
"threads": 50,
"token": "bhKyhZpFAp3T"
}
至于其他配置(比如MySQL数据库信息,爬虫超时设置等),都是直接从服务器端获取,所以只需要知道爬虫服务器的地址就行了。
如4.4所示(最终版)
最快的时候可以850 ~ 1100 个用户/秒,每天累计 8千万+
,理论上可以更快,但是需要人留意观察,白天一般满速爬取,晚上睡觉前一般关掉几个客户端,降低一下爬虫速度,防止出现”击穿的情况“(此问题已解决)。
爬虫速度由两方面决定
- 计算机的性能
- 代理IP的质量和数量
这个速度基本上达到了代理IP的瓶颈(利用率估计90%+),计算机的性能倒是没有达到瓶颈(CPU利用率低于30%,爬虫的同时,不影响正常使用)
我认为提高代理IP使用率的方法,是将爬虫的超时时间设置大一点,允许的错误次数设置多一点,然后就是疯狂开进程(+线程),比如开几十个上百个进程,上千个线程。这样可以榨干代理IP。(只是个人见解)
人生苦短,我用C++。
C++可以写爬虫。
C++写爬虫可能不是一个好的选择。
C++写的爬虫可以很强大。
Github: Leopard-C/BiliUserSpider
Email: leopard.c@outlook.com