####

做分布式爬虫和搜索引擎对于服务器配置有什么要求？

实验室要做主题爬虫，附带简单的搜索查询功能，现在要租用10~20台服务器，不知道什么配置好。
我们之前使用了三台服务器（租用的阿里云），用nutch1.7+hdfs爬取8000个URL(两层深度)用了两个多小时，第三层达到了40万用了3天还没完全爬完，感觉很慢。
服务器配置如下：
- 服务器A：主节点CPU 4核，内存32G，20Mbps(峰值)公网带宽(按流量)
- 服务器B,C:CPU 1核，2G内存,1Mbps公网带宽（固定带宽）
其中服务器A既做主节点又做从节点，服务器B,C只做从节点。
我有几点困惑：
1.制约爬取速度的，是带宽还是cpu的处理能力？我看任务日志，在nutch流程中fetch(连接并下载网页)这一步耗时最长，占据了绝大部分时间，是不是意味着带宽是主要瓶颈？
2.关于一台2核4G1M的配置和2台1核2G1M的配置，哪个更好？为什么？(阿里云的阿里云推荐配置https://www.aliyun.com/easybuy）
3.如果租用10~20台服务器，配置如何选择？使用标准配置还是加带宽，带宽如何选择

####

首先，最重要的一点，你需要一点Money。大概多少呢？那你得先搞清楚Money是用来干啥的。一是用来租云服务器；二是用来买代理。云服务器的用途显而易见；代理则是用来动态切换IP，避免被封。好，假设我们需要不间断爬一周，带宽1M，数据盘100G。阿里云，1C1G实例来一个，ecs.t5-lc1m1.small，关了公网IP，￥24.36一周；（同配置t5一周18.48）IP代理，快代理私密代理均匀提取，3~5分钟 * 2500个/天，￥120一周。然后稍稍改改代码，关掉延时，扔上服务器跑呗。

#####

1. 买一个vps。通过web方式，给vps装上操作系统，如ubuntu。这个供应商会有专门教程。2. 用ssh 登录到vps上，然后把你的代码放上去。然后运行“nohup python ./youcode.py &”，于是你的crawler就会持续运行下去。将转到的数据存在文件里，这个是你代码里写的。3. 退出ssh。过了几天几个星期，ssh登录上去看看抓了多少。然后scp回自己的电脑分析。

####

页面爬取总数已经确定（30w±），接下来需要确定的是：页面每天都需要爬一遍还是说每天只爬其中某一部分即可。这里我们以最大上限来假设，每天爬30w页面（假设已经考虑了目标的反爬机制、代理池什么的都已经弄好），那么需要测算的就是单位时间单核多线程的正常工作效率是多少（能爬多少页面）。也即：a.不限网速下，单位内存及CPU最高使用率下能够爬多少个页面，设为N。b.额定网速下，内存及CPU有闲置资源时能够爬多少个页面，设为M。若基于M/N的爬取速度，都能满足每天爬30w的需求，就可以用b假设的网速，a假设的硬件配置。这里你可以选择弹性云，先用最小配置测试，若不满足需求，逐渐增加配置。

###

记得选个可以换ip的云主机，因为ip可能被封。地理位置选距离你的抓取对象物理距离近的。选小配置的，不够用扩容就行。

###

https://zhuanlan.zhihu.com/p/89548664

###

需要一个单独的redis服务器

安卓redis

启动redis，

验证一下redis是可以连接的，

###

redis 搭建完

接着我们来搭建数据库的服务器

把 MongoDB 给装上

先连接到数据库的服务器上

下载 mongoDB

创建个 db 文件夹

开启 mongodb
这里顺便把 bind_ip 设置一下

这样才能被远程访问

使用本地连接试试，验证可以连接数据库，

#####

接着我们需要在
爬虫服务器安装 Python3 环境

slave-02 和 slave-03 服务器

同上安装 python3

ok
环境搭起来了

####

我们把它改成适用分布式的

将 Pipeline 中的数据库地址配置成
我们创建的 mongodb 数据库地址

接着在 setting 中配置
redis 调度和去重

再设置一下延迟访问

设置delay有起码两个好处， 一个是对被爬对象表示礼貌， 另一个是爬的太快，很多服务器会封ip，或限制访问。

搞完了之后

将虚拟环境中的库打包一下，pip freeze > requirement.txt

接着把项目

都扔到爬虫服务器上去

连接到爬虫服务器

可以看到刚刚传来的文件

把刚刚在虚拟环境中
生成的第三方库列表

在服务器上一顿安装

其它两台爬虫服务器

和上面一样安装所需要的库

都安装完之后

就终于可以都 TM 跑起来了

#####

4台机器开始一顿爬取

可以看到 mongodb 都监听到了
这几台服务器的连接了

我们连到 redis 看看

可以看到scrapy-redis生成的键

可以看到

redis 在调度着请求的消息队列
以及过滤重复的请求

再连接到 mongodb 看看

统计一下爬取到的数据，发现数据都是增加的，

###

ok
以上就是分布式爬虫的
搭建及部署的过程了

当然了

数据库还可以搭建一下集群
数据库之间的连接最好设置账户
进行安全访问等

主要还是让你了解这个过程中

分布式爬虫的搭建和使用
以及体会它的可扩展性和高效性

###

######