bilibili御坂网络计划: https://misaka.sisters.top

备用网址:https://misakasisters.bilibiliq.com

只保留与此相关的数据,其余数据已删除

开发环境

其他环境

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)

spider

spider

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

• 非空的用户信息,每200万个用户一个数据表

  user_info_table

• 空的用户信息,每200万个用户一个数据表,只记录用户ID

  user_info_none_table

• 代理IP数据表

  proxy_table

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)

admin

spider

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