1

我正在使用stormcrawler 抓取40k 个站点，max_depth=2，我想尽可能快地完成它。我有 5 个风暴节点（具有不同的静态 IP）和 3 个弹性节点。目前我最好的拓扑是：

spouts:
  - id: "spout"
    className: "com.digitalpebble.stormcrawler.elasticsearch.persistence.CollapsingSpout"
    parallelism: 10

bolts:
  - id: "partitioner"
    className: "com.digitalpebble.stormcrawler.bolt.URLPartitionerBolt"
    parallelism: 1
  - id: "fetcher"
    className: "com.digitalpebble.stormcrawler.bolt.FetcherBolt"
    parallelism: 5
  - id: "sitemap"
    className: "com.digitalpebble.stormcrawler.bolt.SiteMapParserBolt"
    parallelism: 5
  - id: "parse"
    className: "com.digitalpebble.stormcrawler.bolt.JSoupParserBolt"
    parallelism: 100
  - id: "index"
    className: "com.digitalpebble.stormcrawler.elasticsearch.bolt.IndexerBolt"
    parallelism: 25
  - id: "status"
    className: "com.digitalpebble.stormcrawler.elasticsearch.persistence.StatusUpdaterBolt"
    parallelism: 25
  - id: "status_metrics"
    className: "com.digitalpebble.stormcrawler.elasticsearch.metrics.StatusMetricsBolt"
    parallelism: 5

和爬虫配置：

config: 
  topology.workers: 5
  topology.message.timeout.secs: 300
  topology.max.spout.pending: 250
  topology.debug: false
  fetcher.threads.number: 500
  worker.heap.memory.mb: 4096

问题：1）我应该使用 AggreationsSpout 还是 CollapsingSpout，有什么区别？我尝试了 AggregationSpout，但性能等于默认配置的 1 台机器的性能。

2）这种并行配置是否正确？

3) 当我从 1 个节点跳到 5 个节点配置时，我发现“FETCH ERROR”增加了约 20%，并且很多站点没有正确获取。可能是什么原因？

更新：

es-conf.yaml：

# configuration for Elasticsearch resources

config:
  # ES indexer bolt
  # adresses can be specified as a full URL
  # if not we assume that the protocol is http and the port 9200
  es.indexer.addresses: "1.1.1.1"
  es.indexer.index.name: "index"
  es.indexer.doc.type: "doc"
  es.indexer.create: false
  es.indexer.settings:
    cluster.name: "webcrawler-cluster"

  # ES metricsConsumer
  es.metrics.addresses: "http://1.1.1.1:9200"
  es.metrics.index.name: "metrics"
  es.metrics.doc.type: "datapoint"
  es.metrics.settings:
    cluster.name: "webcrawler-cluster"

  # ES spout and persistence bolt
  es.status.addresses: "http://1.1.1.1:9200"
  es.status.index.name: "status"
  es.status.doc.type: "status"
  #es.status.user: "USERNAME"
  #es.status.password: "PASSWORD"
  # the routing is done on the value of 'partition.url.mode'
  es.status.routing: true
  # stores the value used for the routing as a separate field
  # needed by the spout implementations
  es.status.routing.fieldname: "metadata.hostname"
  es.status.bulkActions: 500
  es.status.flushInterval: "5s"
  es.status.concurrentRequests: 1
  es.status.settings:
    cluster.name: "webcrawler-cluster"

  ################
  # spout config #
  ################

  # positive or negative filter parsable by the Lucene Query Parser
  # es.status.filterQuery: "-(metadata.hostname:stormcrawler.net)"

  # time in secs for which the URLs will be considered for fetching after a ack of fail
  es.status.ttl.purgatory: 30

  # Min time (in msecs) to allow between 2 successive queries to ES
  es.status.min.delay.queries: 2000

  es.status.max.buckets: 50
  es.status.max.urls.per.bucket: 2
  # field to group the URLs into buckets
  es.status.bucket.field: "metadata.hostname"
  # field to sort the URLs within a bucket
  es.status.bucket.sort.field: "nextFetchDate"
  # field to sort the buckets
  es.status.global.sort.field: "nextFetchDate"

  # Delay since previous query date (in secs) after which the nextFetchDate value will be reset
  es.status.reset.fetchdate.after: -1

  # CollapsingSpout : limits the deep paging by resetting the start offset for the ES query 
  es.status.max.start.offset: 500

  # AggregationSpout : sampling improves the performance on large crawls
  es.status.sample: false

  # AggregationSpout (expert): adds this value in mins to the latest date returned in the results and
  # use it as nextFetchDate
  es.status.recentDate.increase: -1
  es.status.recentDate.min.gap: -1

  topology.metrics.consumer.register:
       - class: "com.digitalpebble.stormcrawler.elasticsearch.metrics.MetricsConsumer"
         parallelism.hint: 1
         #whitelist:
         #  - "fetcher_counter"
         #  - "fetcher_average.bytes_fetched"
         #blacklist:
         #  - "__receive.*"
4

1 回答 1

1

1) 我应该使用 AggreationsSpout 还是 CollapsingSpout，有什么区别？我尝试了 AggregationSpout，但性能等于默认配置的 1 台机器的性能。

顾名思义， AggregationSpout 使用聚合作为按主机（或域或 IP 或其他）对 URL 进行分组的机制，而 CollapsingSpout 使用collapsing。如果您将后者配置为每个存储桶有多个 URL ( es.status.max.urls.per.bucket )，后者可能会更慢，因为它会为每个存储桶发出子查询。AggregationSpout 应该具有良好的性能，尤其是在es.status.sample 设置为 true 的情况下。CollapsingSpouts 在这个阶段是实验性的。

2）这种并行配置是否正确？

这可能比需要的更多 JSoupParserBolts。在实践中，即使有 500 个提取线程，与 Fetcherbolts 相比，1:4 的比例也可以。Storm UI 可用于发现瓶颈以及哪些组件需要扩展。其他一切看起来都不错，但实际上，您应该查看 Storm UI 和指标，以将拓扑调整为适合您的爬网的最佳设置。

3) 当我从 1 个节点跳到 5 个节点配置时，我发现“FETCH ERROR”增加了约 20%，并且很多站点没有正确获取。可能是什么原因？

这可能表明您的网络连接已饱和，但在使用更多节点时不应该出现这种情况，反之亦然。也许可以通过 Storm UI 检查 FetcherBolts 是如何分布在节点上的。是一名工作人员运行所有实例，还是他们都获得相同的数量？查看日志以了解发生了什么，例如是否存在大量超时异常？

于 2018-05-29T13:12:38.873 回答