常见分布式应用系统设计图解（七）：爬虫搜索系统

互联网搜索引擎都有爬虫系统，无论是 Google 还是百度。当然这里我们讨论的只是一个极其简单的版本。

对于爬到的资源，我们这里其实讨论的只是文本而已，还有图片、音频、视频这些媒体，如果我们也需要存下来，那就需要专门的媒体服务。对于媒体文件的存放，在之前的文中已经讨论过，这里就不再覆盖了。

• 上半部分是爬取的过程，Page Fetcher 根据 URL 队列里面的事件来去实际的页面中爬取内容。不同的网站可以使用不同的 queue，配合从不同 queue 中 poll 的策略，这样可以合理分配资源，避免对某一个网站投入了太多的资源。爬虫需要解析 robot.txt，也要限制爬取的进程/线程数，保证不会有太多的爬虫访问冲垮网站。
• DNS Service 其实是一个统一存储域名到 IP 解析服务的组件，这个组件可以缓存下一些 DNS 的查询结果，因为如果单纯地在每次爬取过程中依赖于互联网 DNS 查询，请求量会过大，而且具备大量的重复请求。
• Dedup（去重）是一个重要的步骤，既包括文档的重复识别，也包括 URL 的重复识别，可以使用一个简单的 checksum 来实现，对于新的网页文本和 URL，分别存到各自的数据库里面。
• 网页的数据库可以使用 Bigtable 这样适合存放小型文本的存储服务，URL 则可以存放到 KV 数据库中。为了提高查询和比较的效率，checksum 可以缓存在内存中。
• 对于网页上新（未爬取）的 URL，放到队列中，以便爬虫工作。
• 下半部分包括了索引的建立，即从查询词到文本内容的索引。也包括了搜索这个行为——Search Service 处理查询语句，查询索引数据，进行过滤和排序，并返回结果，而页面镜像可以从 Document Service 处获取。

这是《常见分布式系统设计图解》系列文章中的一篇，如果你感兴趣，请参阅汇总（目录）寻找你其它感兴趣的内容。

文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》