在我們調(diào)試爬蟲程序的時(shí)候，單線程爬蟲沒(méi)什么問(wèn)題，但是當(dāng)我們?cè)诰€上環(huán)境使用單線程爬蟲程序去采集網(wǎng)頁(yè)時(shí)，單線程就暴露出了兩個(gè)致命的問(wèn)題：

采集效率特別慢，單線程之間都是串行的，下一個(gè)執(zhí)行動(dòng)作需要等上一個(gè)執(zhí)行完才能執(zhí)行

對(duì)服務(wù)器的CUP等利用率不高，想想我們的服務(wù)器都是 8核16G，32G 的只跑一個(gè)線程會(huì)不會(huì)太浪費(fèi)啦

線上環(huán)境不可能像我們本地測(cè)試一樣，不在乎采集效率，只要能正確提取結(jié)果就行。在這個(gè)時(shí)間就是金錢的年代，不可能給你時(shí)間去慢慢的采集，所以單線程爬蟲程序是行不通的，我們需要將單線程改成多線程的模式，來(lái)提升采集效率和提高計(jì)算機(jī)利用率。

多線程的爬蟲程序設(shè)計(jì)比單線程就要復(fù)雜很多，但是與其他業(yè)務(wù)在高并發(fā)下要保證數(shù)據(jù)安全又不同，多線程爬蟲在數(shù)據(jù)安全上到要求不是那么的高，因?yàn)槊總€(gè)頁(yè)面都可以被看作是一個(gè)獨(dú)立體。要做好多線程爬蟲就必須做好兩點(diǎn)：第一點(diǎn)就是統(tǒng)一的待采集 URL 維護(hù)，第二點(diǎn)就是 URL 的去重，下面我們簡(jiǎn)單的來(lái)聊一聊這兩點(diǎn)。

維護(hù)待采集的 URL

多線程爬蟲程序就不能像單線程那樣，每個(gè)線程獨(dú)自維護(hù)這自己的待采集 URL，如果這樣的話，那么每個(gè)線程采集的網(wǎng)頁(yè)將是一樣的，你這就不是多線程采集啦，你這是將一個(gè)頁(yè)面采集的多次?；谶@個(gè)原因我們就需要將待采集的 URL 統(tǒng)一維護(hù)，每個(gè)線程從統(tǒng)一 URL 維護(hù)處領(lǐng)取采集 URL ，完成采集任務(wù)，如果在頁(yè)面上發(fā)現(xiàn)新的 URL 鏈接則添加到 統(tǒng)一 URL 維護(hù)的容器中。下面是幾種適合用作統(tǒng)一 URL 維護(hù)的容器：

JDK 的安全隊(duì)列，例如 LinkedBlockingQueue

高性能的 NoSQL，比如 Redis、Mongodb

MQ 消息中間件

URL 的去重

URL 的去重也是多線程采集的關(guān)鍵一步，因?yàn)槿绻蝗ブ氐脑?，那么我們將采集到大量重?fù)的 URL，這樣并沒(méi)有提升我們的采集效率，比如一個(gè)分頁(yè)的新聞列表，我們?cè)诓杉谝豁?yè)的時(shí)候可以得到 2、3、4、5 頁(yè)的鏈接，在采集第二頁(yè)的時(shí)候又會(huì)得到 1、3、4、5 頁(yè)的鏈接，待采集的 URL 隊(duì)列中將存在大量的列表頁(yè)鏈接，這樣就會(huì)重復(fù)采集甚至進(jìn)入到一個(gè)死循環(huán)當(dāng)中，所以就需要 URL 去重。URL 去重的方法就非常多啦，下面是幾種常用的 URL 去重方式：

將 URL 保存到數(shù)據(jù)庫(kù)進(jìn)行去重，比如 redis、MongoDB

將 URL 放到哈希表中去重，例如 hashset

將 URL 經(jīng)過(guò) MD5 之后保存到哈希表中去重，相比于上面一種，能夠節(jié)約空間

使用 布隆過(guò)濾器（Bloom Filter）去重，這種方式能夠節(jié)約大量的空間，就是不那么準(zhǔn)確。

關(guān)于多線程爬蟲的兩個(gè)核心知識(shí)點(diǎn)我們都知道啦，下面我畫了一個(gè)簡(jiǎn)單的多線程爬蟲架構(gòu)圖，如下圖所示：

多線程爬蟲架構(gòu)圖

上面我們主要了解了多線程爬蟲的架構(gòu)設(shè)計(jì)，接下來(lái)我們不妨來(lái)試試 Java 多線程爬蟲，我們以采集虎撲新聞為例來(lái)實(shí)戰(zhàn)一下 Java 多線程爬蟲，Java 多線程爬蟲中設(shè)計(jì)到了 待采集 URL 的維護(hù)和 URL 去重，由于我們這里只是演示，所以我們就使用 JDK 內(nèi)置的容器來(lái)完成，我們使用 LinkedBlockingQueue 作為待采集 URL 維護(hù)容器，HashSet 作為 URL 去重容器。下面是 Java 多線程爬蟲核心代碼，詳細(xì)代碼以上傳 GitHub，地址在文末：

我們用 5 個(gè)線程去采集虎撲新聞列表頁(yè)看看效果如果？運(yùn)行該程序，得到如下結(jié)果：

多線程采集結(jié)果

結(jié)果中可以看出，我們啟動(dòng)了 5 個(gè)線程采集了 61 頁(yè)頁(yè)面，一共耗時(shí) 2 秒鐘，可以說(shuō)效果還是不錯(cuò)的，我們來(lái)跟單線程對(duì)比一下，看看差距有多大？我們將線程數(shù)設(shè)置為 1 ，再次啟動(dòng)程序，得到如下結(jié)果：

單線程運(yùn)行結(jié)果

可以看出單線程采集虎撲 61 條新聞花費(fèi)了 7 秒鐘，耗時(shí)差不多是多線程的 4 倍，你想想這可只是 61 個(gè)頁(yè)面，頁(yè)面更多的話，差距會(huì)越來(lái)越大，所以多線程爬蟲效率還是非常高的。

分布式爬蟲架構(gòu)

分布式爬蟲架構(gòu)是一個(gè)大型采集程序才需要使用的架構(gòu)，一般情況下使用單機(jī)多線程就可以解決業(yè)務(wù)需求，反正我是沒(méi)有分布式爬蟲項(xiàng)目的經(jīng)驗(yàn)，所以這一塊我也沒(méi)什么可以講的，但是我們作為技術(shù)人員，我們需要對(duì)技術(shù)保存熱度，雖然不用，但是了解了解也無(wú)妨，我查閱了不少資料得出了如下結(jié)論：

分布式爬蟲架構(gòu)跟我們多線程爬蟲架構(gòu)在思路上來(lái)說(shuō)是一樣的，我們只需要在多線程的基礎(chǔ)上稍加改進(jìn)就可以變成一個(gè)簡(jiǎn)單的分布式爬蟲架構(gòu)。因?yàn)榉植际脚老x架構(gòu)中爬蟲程序部署在不同的機(jī)器上，所以我們待采集的 URL 和 采集過(guò)的 URL 就不能存放在爬蟲程序機(jī)器的內(nèi)存中啦，我們需要將它統(tǒng)一在某臺(tái)機(jī)器上維護(hù)啦，比如存放在 Redis 或者 MongoDB 中，每臺(tái)機(jī)器都從這上面獲取采集鏈接，而不是從 LinkedBlockingQueue 這樣的內(nèi)存隊(duì)列中取鏈接啦，這樣一個(gè)簡(jiǎn)單的分布式爬蟲架構(gòu)就出現(xiàn)了，當(dāng)然這里面還會(huì)有很多細(xì)節(jié)問(wèn)題，因?yàn)槲覜](méi)有分布式架構(gòu)的經(jīng)驗(yàn)