在上篇文章 Golang实现简单爬虫框架(2)——单任务版爬虫 中我们实现了一个简单的单任务版爬虫,对于单任务版爬虫,每次都要请求页面,然后解析数据,然后才能请求下一个页面。整个过程中,获取网页数据速度比较慢,那么我们就把获取数据模块做成并发执行。在项目的基础上,实现多任务并发版爬虫。
项目github地址: https://github.com/NovemberCh... , 回滚到相应记录食用,效果更佳。
首先我们把但任务版爬虫架构中的 Fetcher
模块和 Parser
模块合并成一个 Worker
模块,然后并发执行 Worker
模块
然后得到并发版的架构图:
Worker
,每个 Worker
任务接受一个 Request
请求,然后请求页面解析数据,输出解析出的 Requests
和 Item
Request
和 Worker
,所以还需要 Scheduler
模块,负责对请求任务的调度处理 Engine
模块接受 Worker
发送的 Requests
和 Items
,当前我们先把 Items
打印出,把解析出的 Request
发送给调度器 Engine
和 Scheduler
是一个 goruntine
, Worker
包含多个 goruntine
,各个模块之间都是用 channel
进行连接
先放上重构后的项目文件结构:
我们从engine.go中提取下面功能作为Worker模块,同时把engine.go 更名为simple.go。修改后的simple.go文件请自行调整,或者去github项目 源代码 回滚查看。
engine/worker.go
package engineimport ( "crawler/fetcher" "log")// 输入 Request, 返回 ParseResultfunc worker(request Request) (ParseResult, error) { log.Printf("Fetching %s\n", request.Url) content, err := fetcher.Fetch(request.Url) if err != nil { log.Printf("Fetch error, Url: %s %v\n", request.Url, err) return ParseResult{}, err } return request.ParseFunc(content), nil}
对于每一个Worker接受一个请求,然后返回解析出的内容
请大家根据架构图来看,效果会更好。
package engineimport "log"// 并发引擎type ConcurrendEngine struct { Scheduler Scheduler // 任务调度器 WorkerCount int // 任务并发数量}// 任务调度器type Scheduler interface { Submit(request Request) // 提交任务 ConfigMasterWorkerChan(chan Request) // 配置初始请求任务}func (e *ConcurrendEngine) Run(seeds ...Request) { in := make(chan Request) // scheduler的输入 out := make(chan ParseResult) // worker的输出 e.Scheduler.ConfigMasterWorkerChan(in) // 把初始请求提交给scheduler // 创建 goruntine for i := 0; i < e.WorkerCount; i++ { createWorker(in, out) } // engine把请求任务提交给 Scheduler for _, request := range seeds { e.Scheduler.Submit(request) } itemCount := 0 for { // 接受 Worker 的解析结果 result := <-out for _, item := range result.Items { log.Printf("Got item: #%d: %v\n", itemCount, item) itemCount++ } // 然后把 Worker 解析出的 Request 送给 Scheduler for _, request := range result.Requests { e.Scheduler.Submit(request) } }}// 创建任务,调用worker,分发goruntinefunc createWorker(in chan Request, out chan ParseResult) { go func() { for { request := <-in result, err := worker(request) if err != nil { continue } out <- result } }()}
scheduler/scheduler.go
package schedulerimport "crawler/engine"type SimpleScheduler struct { workerChan chan engine.Request}func (s *SimpleScheduler) Submit(request engine.Request) { // send request down to worker chan go func() { s.workerChan <- request }()}// 把初始请求发送给 Schedulerfunc (s *SimpleScheduler) ConfigMasterWorkerChan(in chan engine.Request) { s.workerChan = in}
package mainimport ( "crawler/engine" "crawler/scheduler" "crawler/zhenai/parser")func main() { e := engine.ConcurrendEngine{ // 配置爬虫引擎 Scheduler: &scheduler.SimpleScheduler{}, WorkerCount: 50, } e.Run(engine.Request{ // 配置爬虫目标信息 Url: "http://www.zhenai.com/zhenghun", ParseFunc: parser.ParseCityList, })}
本次博客我们实现一个最简单的并发版爬虫,调度器源源不断的接受任务,一旦有一个worker空闲,就给其分配任务。这样子有一个缺点,就是我们不知道我们分发出那么多worker的工作情况,对worker的控制力比较弱,所以在下次博客中会用队列来实现任务调度。
如果想获取 Google工程师深度讲解go语言 视频资源的,可以在评论区留言。
项目的 源代码 已经托管到Github上,对于各个版本都有记录,欢迎大家查看,记得给个star,在此先谢谢大家了