________ _________________ ___ __ \___________ /_____ /____________ __ / / / __ \ __ /_ __ /_ _ \_ ___/ _ /_/ // /_/ / /_/ / / /_/ / / __/ / /_____/ \____/\__,_/ \__,_/ \___//_/ 一个支持集群部署的分布式 DHT 网络爬虫。
- Nacos-1.1.3 (http://nacos.io)
- Zookeeper-3.5.5 (http://zookeeper.apache.org/)
- Kafka-2.12-2.3.0 (http://kafka.apache.org/)
- Redis-2.6 (https://redis.io/)
- MongoDB-4.0.13 (https://www.mongodb.com/)
- Elasticsearch-7.3.2 (https://www.elastic.co/)
- elasticsearch-analysis-ik-7.3.2 (https://github.com/medcl/elasticsearch-analysis-ik)
单机运行环境:
- CPU: Intel Xeon E3-1230 v3 - 3.3 GHz - 4 core(s)
- RAM: 32GB - DDR3
- Hard Drive(s): 2x 1TB (HDD SATA)
- Bandwidth: Unmetered @ 1Gbps
- 2019-10-25
- 升级目前部署在服务器上的 MongoDB,之前 3.6.8 版本频繁挂掉无错误日志
- 使用 MongoDB 连接池
- 去掉 indexMessages 主题消息,索引与入库使用 torrentMessages 同一个主题消息(使用不同分组),减少网络传输以及磁盘占用
- 去除种子信息下载之前的 MongoDB 去重查询(几千个下载线程就是几千个并发查询,过于耗费资源)
- 2019-10-20
- 优化爬虫速度,新增阻塞线程池用于下载种子信息(降低内存使用)
- 40万数据时(日爬取35w+新数据)
- 2019-10-13
- 数据存储到 MongoDB,Elasticsearch 只做索引
- 升级各个环境依赖的版本
- 优化数据存储服务,将 Kafka Torrent 的入库和索引消息改为手动提交模式,防止数据丢失
- 进行两台服务器分布式部署测试,目前成功部署运行中:
- A 服务器部署微服务:dht-server、store-service (服务器有限,所以所有环境依赖比如 Elasticsearch 全在这台机器上)
- B 服务器部署微服务:dht-server、download-service、dodder-web
- 2019-04-17
- 初始版本
说明:项目中的dht-server
、download-service
、store-service
都是可以集群部署的,
dht-server
负责爬取 DHT 网络中的 info_hash,然后写入到 Kafka 消息队列中去,download-service
负责读取 info_hash 信息到指定 ip 去下载种子文件的 metadata(集群部署时,注意设置好 kafka 主题的分区数量,
分区数量 >= 服务部署个数)。下载好的 metadata 解析出文件信息封装成 Torrent 对象写入 Kafka 的
torrentMessages
主题中去,store-service
负责读取 Torrent 存储到 Elasticsearch 中去。
去重:Redis 第一次去重,MongDB 与 Elasticsearch 采用 upsert 插入数据防止重复插入。
前面的环境全部搭好之后,clone 整个项目到本地,如果是集群部署请修改各个服务模块里面的一些 ip 地址参数, 我这里服务器有限,只拿了一台服务器单机部署,集群部署有问题的欢迎提 issue。
dht-server 需要公网 IP 才能爬取到 info_hash