基于 ZooKeeper 实现爬虫集群的监控

我就是我 2022-10-01 09:54 176阅读 0赞

# ZooKeeper #

> ZooKeeper 是一个开源的分布式协调服务，ZooKeeper框架最初是在“Yahoo!"上构建的，用于以简单而稳健的方式访问他们的应用程序。 后来，Apache ZooKeeper成为Hadoop，HBase和其他分布式框架使用的有组织服务的标准。 例如，Apache HBase使用ZooKeeper跟踪分布式数据的状态。ZooKeeper 的设计目标是将那些复杂且容易出错的分布式一致性服务封装起来，构成一个高效可靠的原语集，并以一系列简单易用的接口提供给用户使用。

ZooKeeper 通常用于：命名服务、配置管理、集群管理、分布式协调/通知、分布式锁和分布式队列等等。

各个爬虫的节点通过注册到 ZooKeeper 从而实现爬虫集群的管理。[NetDiscovery][] 正是借助了 ZooKeeper 的特性来监控爬虫集群。

> [NetDiscovery][] 是一款基于 Vert.x、RxJava 2 等框架实现的通用爬虫框架。它包含了丰富的[特性][Link 1]。

# 爬虫集群的监控 #

[NetDiscovery][] 包含了 Spider 和 SpiderEngine。 Spider 用于实现爬虫的业务逻辑，Spider 可以添加到 SpiderEngine，由 SpiderEngine 来管理各个 Spider 的生命周期。

但是 SpiderEngine 部署到每一个节点之后，SpiderEngine 如何进行监控和管理呢？

可以将 SpiderEngine 在运行时，先注册到 ZooKeeper。（需要事先在 ZooKeeper 集群创建 /netdiscovery 节点）

/**
         * 启动SpiderEngine中所有的spider，让每个爬虫并行运行起来。
         *
         */
        public void run() {
    
            if (Preconditions.isNotBlank(spiders)) {
    
                registerZK();
                ......  
            }
        }
    
        /**
         * 将当前 SpiderEngine 注册到 zookeeper 指定的目录 /netdiscovery 下
         */
        private void registerZK() {
    
            if (Preconditions.isNotBlank(zkStr) && useZk) {
                log.info("zkStr: {}", zkStr);
    
                RetryPolicy retryPolicy = new ExponentialBackoffRetry(1000,3);
                CuratorFramework client = CuratorFrameworkFactory.newClient(zkStr, retryPolicy);
                client.start();
                try {
                    String ipAddr = InetAddress.getLocalHost().getHostAddress() + "-" + defaultHttpdPort + "-" + System.currentTimeMillis();
                    String nowSpiderEngineZNode = "/netdiscovery/" + ipAddr;
                    client.create().withMode(CreateMode.EPHEMERAL).forPath(nowSpiderEngineZNode,nowSpiderEngineZNode.getBytes());
                } catch (UnknownHostException e) {
                    e.printStackTrace();
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
        }
    复制代码

另外，需要使用 [NetDiscovery][] Monitor 的 CuratorManager 类。 它借助 Zookeeper 的 Watcher 机制，监听已经注册到 /netdiscovery 这个父 zNode 下的各个子 zNode ，也就是各个 SpiderEngine。

> Watcher机制是指 ZooKeeper 客户端向 ZooKeeper 服务器注册 Watcher 的同时，会将 Watcher 对象存储在客户端的 WatchManager 中。ZooKeeper 服务器触发 Watcher 事件后，会向客户端发送通知，客户端线程从 WatchManager 中回调 Watcher 执行相应的功能。

/**
         * 当前所监控的父的 zNode 下若是子 zNode 发生了变化：新增，删除，修改
         * <p>
         * 下述方法都会触发执行
         *
         * @param event
         */
        @Override
        public void process(WatchedEvent event) {
    
            List<String> newZodeInfos = null;
            try {
                newZodeInfos = client.getChildren().usingWatcher(this).forPath("/netdiscovery");
                //根据初始化容器的长度与最新的容器的长度进行比对，就可以推导出当前 SpiderEngine 集群的状态：新增，宕机/下线，变更...
                //哪个容器中元素多，就循环遍历哪个容器。
                if (Preconditions.isNotBlank(newZodeInfos)) {
                    if (newZodeInfos.size()>allZnodes.size()){
                        //明确显示新增了哪个 SpiderEngine 节点
                        for (String nowZNode:newZodeInfos) {
                            if (!allZnodes.contains(nowZNode)){
                                log.info("新增 SpiderEngine 节点{}", nowZNode);
                            }
                        }
                    }else if (newZodeInfos.size()<allZnodes.size()){
                        // 宕机/下线
                        // 明确显示哪个 SpiderEngine 节点宕机/下线了
                        for (String initZNode : allZnodes) {
                            if (!newZodeInfos.contains(initZNode)) {
                                log.info("SpiderEngine 节点【{}】下线了！", initZNode);
    
                                // 如果有下线的处理，则处理(例如发邮件、短信等)
                                if (serverOfflineProcess!=null) {
                                    serverOfflineProcess.process();
                                }
                            }
                        }
                    }else {
                        // SpiderEngine 集群正常运行;
                        // 宕机/下线了，当时马上重启了，总的爬虫未发生变化
                    }
                }
            } catch (Exception e) {
                e.printStackTrace();
            }
    
            allZnodes = newZodeInfos;
        }
    复制代码

所以需要单独运行一个进程，例如：

public class TestCuratorManager {
    
        public static void main(String[] args) {
    
            CuratorManager curatorManager = new CuratorManager();
            curatorManager.start();
        }
    }
    复制代码

下图反映了 ZooKeeper 如何监控 SpiderEngine 集群。

# 总结 #

爬虫框架 github 地址：[github.com/fengzhizi71…][NetDiscovery]

本文介绍了如何使用 ZooKeeper 来监控爬虫的集群。未来，NetDiscovery 还会增加更为通用的功能。

--------------------

> Java与Android技术栈：每周更新推送原创技术文章，欢迎扫描下方的公众号二维码并关注，期待与您的共同成长和进步。

转载于:https://juejin.im/post/5ceb44486fb9a07eed34dcce

[NetDiscovery]: https://link.juejin.im?target=https%3A%2F%2Fgithub.com%2Ffengzhizi715%2FNetDiscovery
[Link 1]: https://link.juejin.im?target=https%3A%2F%2Fgithub.com%2Ffengzhizi715%2FNetDiscovery%23%25E5%258A%259F%25E8%2583%25BD%25E7%2589%25B9%25E7%2582%25B9