技术实现：通过Redis**队列的形式，对知乎的标签页进行广度优先遍历，通过FIFO，实现分布式爬虫,并协同抓取全知乎的标签及子标签的树状结构，将此全量树状结构存储入MySQL数据库。此机制保证任何一个爬虫技能单独而协同。
获取连接耗时26秒.
响应数据入库19秒
HTTP请求：通信链路如下图所示，经历12次网络IO。
上述12个步骤都是串行关系，粗略计算，基本IO损耗 ： >3倍
损耗成本：百毫秒-秒级（主要）
发生阶段：4,10
NDS网关是最大不可控因素, 问题如下：
-
高并发情况下，连接数耗尽，导致大量请求超时， 超时时间可调.
在测试环境，多网关实例效果更优，如：2实例 250连接数 > 1实例 500连接数**
-
决定连接数因素有二：NDS实例连接数 ，NDS全局总连接数.
在测试环境，网关实例存在总连接数限制，如：开通2个实例，1000连接数， 实际Mysql检测到的连接数不足。
- 驱动包偶发空指针异常；NetPackage对象占用内存，致使OOM异常风险.
发生阶段：3,5,8,10
措施：
- 平台标准JSON序列化工具
- 并行执行
发生阶段：5,10
措施：
-
外网轮询间隔, 等待响应
- 有请求时，不间断循环
- 无请求时，休眠，等待唤醒
-
内网轮询， 等待请求
-
无请求时休眠5ms（参数配置）
-
批量获得http请求，线程池并行处理（参数配置），获取响应即时入库
-
发生阶段：3,4,9,10
主要瓶颈：
- 数据库连接获取，连接数耗尽
- 大请求，大响应写入数据库
措施：
- 仅基于一张表，无任何关联查询
- 请求处理完成后，记录实时清除，数据库表始终维持在 0 ~ 并发数之间
- 所有语句均基于索引
- 使用连接池
| 数据大小 | 并发数 | 平均响应时间 | 错误率 |
|---|---|---|---|
| 1k | 10 | 0.36 | 0% |
| 1k | 50 | 0.67 | 0% |
| 1k | 100 | 1.22 | 0% |
| 1k | 200 | 3.39 | 0% |
| 5k | 10 | 0.59 | 0% |
| 5k | 50 | 0.82 | 0% |
| 5k | 100 | 1.56 | 0% |
| 5k | 200 | 4.18 | 0% |
| 10K | 10 | 0.66 | 0% |
| 10k | 50 | 0.87 | 0% |
| 10K | 100 | 1.86 | 0% |
| 10K | 200 | 4.91 | 0% |
| 200K | 10 | 0.93 | 0% |
| 200K | 50 | 1.15 | 0% |
| 200K | 100 | 2.11 | 0% |
| 200K | 200 | 5.14 | 0% |
| 1024k | 10 | 1.69 | 0% |
| 1024k | 50 | 5.93 | 0% |
| 1024k | 100 | 14.02 | 0% |
| 1024k | 200 | 21.98 | 0% |
| 1024k | 250 | 8.847 | 11% |
随着总传输数据上升突破某节点，错误率突然显现
单实例
| 数据大小 | 并发数 | 平均响应时间 | 错误率 |
|---|---|---|---|
| 10K | 300 | 4.847 | 11% |
| 10K | 400 | 8.496 | 16% |
| 10K | 500 | 10.55 | 52.50% |
双实例
| 数据大小 | 并发数 | 平均响应时间 | 错误率 |
|---|---|---|---|
| 10K | 300 | 3.214 | 0% |
| 10K | 400 | 3.784 | 0% |
| 10K | 500 | 2.694 | 5.13% |
总数据库连接数相同的情况下，双实例的错误率区别明显
网闸
| 数据大小 | 并发数 | 平均响应时间 | 错误率 |
|---|---|---|---|
| 10K | 500 | 4.847 | 11% |
直连Mysql
| 数据大小 | 并发数 | 平均响应时间 | 错误率 |
|---|---|---|---|
| 10K | 500 | 3.388 | 0% |
通过网闸与否，在性能上存在波动，数据不明显，但错误率区别明显
- 不恰当的建立连接，导致连接数耗尽
- 生产者空转，在没有请求的情况下去获取响应
- 不恰当清除，consumer启动时清空数据库
- 增加心跳，防止网闸启动休眠断线机制，长时间没流量半关闭socket，
- 一个网闸通道可以支持200并发1M的请求数，无法通过配置网闸参数再提高
- 多通道，多实例部署：测试机器，最多可以支持2网闸通道400并发1M的请求数，再提高会出现OOM，或者超长的延迟
| 内容 | 损耗 | 措施&备注 | 实现情况 | 效果 |
|---|---|---|---|---|
| 请求，响应序列化，反序列化 | 并行处理 | 已实现 | * | |
| NDS网关基本损耗 | 主要，秒级 | 添加连接数，添加实例 | 现场实施 | ***** |
| 轮询间隔 | 轮询间隔参数化 | 已实现 | * | |
| 各阶段IO | 主要，秒级 | HTTP协议用GZIP传输 | 现场实施 | ** |
| 数据库交互 | 索引，单表，记录数少，连接池 | 已实现 | ** |
日志关键节点
| 0 [P] 到达 | |
| 1 [P] 准备连接 | |
| 2 [P] 连接获取 | |
| 3 [P] 完成入库 | |
| 4 [C] 准备连接 (批处理） | |
| 5 [C] 连接完成 (批处理） | |
| 6 [C] 请求序列化 (批处理） | |
| 7 [C] 请求状态更新 (批处理） | |
| 8 [C] HTTP准备发送 | |
| 9 [C] HTTP响应获取 | |
| 10 [C] HTTP响应入库 | |
| 11 [P] 准备连接【批】 | |
| 12 [P] 连接完成【批】 | |
| 13 [P] 响应读取【批】 | |
| 14 [P] 响应序列化 | |
| 15 [P] 返回前端并完成 | |