【初码干货】记一次分布式B站爬虫任务系统的完整设计和实施

wojkxlq

【初码文章推荐】

程序员的自我修养 Azure系列文章 阿里云系列文章 爬虫系列文章

【初码产品推荐】

AlphaMS开发模式 闪送达城市中央厨房

　　今天带来一个有意思的东西-分布式B站爬虫任务系统

　　这个小玩意源于上周在研究Azure的时候，发现云服务厂商都在推荐轻量级的存储队列服务，用来取代原有的比较重的消息队列服务，具体来说，比如阿里云就推荐使用消息服务替代消息队列，在Azure中，就有一个轻量级的存储队列（Storage Queue）可以替代服务总线（Service Bus），简单试用了一下Azure的Storage Queue后，发现这玩意很好用，于是决定全面的深入研究一下，再将公司电商系统内的相关任务处理均重构成使用存储队列服务，而深入研究得找个案例呀，于是就想到了做个分布式爬虫，此类应用会出现大量的任务场景，而正好前段时间下载B站视频时，找到一个网站，叫唧唧下载（搞二次元的都是色情狂吗？），但又不太好用，于是决定就做个比较全面的B站视频爬虫。一方面可以方便的下载视频，另一方面还可以当做公司开发人员的教学案例

　　老规矩，还是先看下最终的使用效果，应用入口：https://www.alphams.cn/LT，（为了防止滥用下载以及记录下载，所以还麻烦注册一下啦）
　　
　　输入视频番号，点击下载，就进入任务界面
　　
　　任务界面可以看到视频信息，实时下载信息，和错误信息
　　任务处理完成后，点击立即下载，从一个CDN加速的地址得到了视频
　　
　　那么下面就把本次的开发和实施流水账记录一下

　　1、首先是准备工作和可行性调研

　　想要对B站进行爬虫，首先要准备好技术手段和相关工具，对B站的网站结构和数据流向进行一些分析，进行可行性的调研
　　首先打开B站任意一个视频，可以看到地址都是这样的格式
　　
　　于是我们把AV后面的号码叫做番号（此番号非老司机番号）
　　而有些视频不止一段，如果是第二段视频，则是这个地址：
　　
　　而如果把Index后面的2换成1，也可以达到和第一个地址一样的效果
　　然后用Fidder工具，分析一下网页，可以看到有如下一些资源
　　
　　剔除基本的JS文件、CSS文件、图像文件后，剩下来的就是一些有用的信息了，而在有用的信息中最终筛选出如下几个信息
　　1、AID是视频的番号，也就是网址URL后面的那串唯一数字
　　2、CID是弹幕的番号，每个视频AID会对应一个CID
　　3、弹幕的信息存储在了这样的URL中：http://comment.bilibili.com/15075110.xml
　　4、视频的信息存储在了这样的URL中：https://interface.bilibili.com/playurl?cid=15075110&appkey=84956560bc028eb7&otype=json&type=&quality=3&sign=c070bfd93a84cab542e7c874add6839e
　　因为本次主要是下载视频，所以就着重看一下视频存储的信息，打开上面的URL后发现了最终视频的地址
　　
　　太好了，一下子就给了视频尺寸和视频最终的下载地址，那么我们用浏览器打开一下这个URL看一下，可以成功下载！
　　注：以上相关分析实际上是经过了1-2个小时的反复尝试和模拟得出的，有2个细节补充一下，1、B站的服务器会根据HTTP头信息的不同返回FLV格式或者MP4格式，2、B站的视频可能用了不同厂商的CDN服务，有些视频地址无法直接下载，会判断refer信息和浏览器信息）
　　接下来继续分析，注意看这个URL可以发现，尾部有一个sign，说明做了客户端和服务端的签名验证，并不是很傻瓜的有直接通过AID或者CID关联的下载地址，分析进入到这一步后，我很快的就打了自己的脸，我曾在文章《关于.NET玩爬虫这些事》中说过，一切网站行为都可以分析出HTTP+Javascript来，只要分析得当，根本不需要用浏览器来进行爬虫模拟，但这尼玛B站鬼的Web结构（忍不住想骂人，典型的垃圾Python、PHP向的开发人员做出来的鬼东西，代码逻辑混乱、随便一看就是到处修补修改的痕迹，生成出来的HTML、JS的逻辑和层次毫无美感），看了2个小时，眼睛都看疼了，楞是没分析出签名方法，也许再看看会有结果，但是我等不及了，所以这时候祭出爬虫神器-无头浏览器
　　这里我选择了PhantomJS这个无头浏览器，具体的使用过程就不详述了，有兴趣可以到官网了解一下，写了如下分析代码
　　
　　通过代码我们可以很清楚的看到，主要是两个目的，输出包含interface.bilibili.com的URL以及本次视频的标题
　　测试一下，确实可以得到URL和标题，这里有个要注意的是，B站默认是GB2312编码，所以PhantomJS要加一个参数，就是输出编码改为GB2312
　　
　　到此为止，可以说完成了整个爬虫部分的调研，至少是有完整的可行性了。

　　2、然后进行业务功能的设计

　　有了可行性后，就可以天马行空的进行业务功能的设计了，既然上面说到那个鸡鸡网站特别不好用，那么我们就来重新设计一下这个爬虫的功能
　　一、用户端功能
　　1、用户可以输入视频番号和序号提交视频下载（注：干净清爽的提交界面）
　　最终界面如下：
　　
　　2、用户可以在提交视频下载后，可以看到实时的处理进度，并且能够看到自己以前提交的任务（注：需要设计任务机制，做好状态控制，这里采用Azure的存储队列）
　　最终界面如下
　　
　　3、用户最终的下载速度特别快（注：使用CDN和网络存储技术，这里采用阿里云的CDN和OSS）
　　最终效果如下：
　　
　　4、下载进度能够通过邮件进行视频信息的推送（注：使用邮件模板技术，详见：《使用阿里云邮件推送服务架设自己邮件验证与推送体系》，这里采用SendCloud云服务）
　　最终效果如下：
　　
　　二、服务端功能
　　1、考虑到B站CDN可能会限制IP地址使用，需要使用分布式的爬虫设计（注：这里使用Windows Console Application程序）
　　2、增加下载效率，使用多线程技术（注：因为使用.NET做爬虫，多线程控制还算比较稳定和齐全）
　　3、对无头浏览器进行精准的控制（注：这里是Windows环境，考虑使用.NET里面的Process类进行控制）
　　有了业务功能做指导，下面就可以进行完整的系统设计了

　　3、系统设计与技术细节

　　老规矩，先放出整体设计图
　　
　　其中具体的技术细节和代码如下：
　　一、分布式架构的核心
　　1、分布式Win32控制台程序需要有账号体系，这样可以进行节点的实施状态管理和记录
　　
　　
　　2、任务的新增、获取、核销等，需要精准的控制，不能出现并发冲突，所以这里使用了消息队列，也就是上面所说的Azure存储队列服务
　　任务的新增和分配主要代码如下：
　　
　　
　　3、丰富的日志和错误处理机制
　　因为会一直执行，分布式节点的稳定性非常重要，Windows Console Application程序本身是非常稳定，因此在具体的代码里面，内存控制与对象释放、死循环的避免、多线程优化、异常的捕捉和处理等都非常重要，这里不一一洗漱，都是开发的基本功，做类似的应用的话，大家也需要多注意。另外因为无头浏览器的执行，是放在分布式的客户端里面进行的，因此也需要对无头浏览器进行精准控制，下面会详细说到
　　二、爬虫任务的数据结构
　　本案例中由于只对单一URL进行分析和爬虫，业务逻辑并不复杂，考虑到需要支持进度查询、状态控制等，数据结构设计如下，就2个表
　　1、爬虫任务表（记录爬虫任务，控制状态、记录过程参数等）
　　
　　2、视频存储表
　　任务完成后，就把CDN加速好的视频信息存储下来，一方面进行冗余查询，另一方面也用于其他用户下载可以秒下
　　
　　三、无头浏览器的精准控制
　　1、.NET里面的Process类
　　上面提到了，无头浏览器毕竟有一个浏览器内核的执行，而在任务处理的高峰，可能会不断的调用、销毁这个浏览器，而Web行为又是非常不稳定的，所以想要分布式的稳定，就一定要进行无头浏览器的精准控制。这里用到了.NET里面Process来控制无头浏览器的执行，主要的技术点有：

• 不显示命令窗口，重定向输入输出
  

　　

• 监听数据接收
  

　　
　　这里可以看到，我们之前在PhantomJS里面写的JS代码，主要就输出了两点，一个是包含下载地址JSON数据的URL地址，另一个是视频的标题，这里都做了记录

• 差错处理以及任务的关闭和结束
  

　　
　　2、重试的机制
　　实测中发现，无头浏览器的失败率和出错率还是挺高的，因此在数据结构设计的时候，就预留了重试机制，当分布式客户端处理视频失败时，服务端重新提交消息队列，超过一定的次数再宣告任务失败
　　三、CDN的加速处理
　　1、之前在这篇文章《使用阿里云对Web开发中的资源文件进行CDN加速的深入研究和实践》中，提出了一种非常好的资源管理和加速方式，核心思路包括三点

• 文件资源的信息管理和目录结构在本地数据表中，GUID化
  
• 文件的数据存储在阿里云OSS中，无目录结构的扁平化记录
  
• 对OSS绑定域名，对CDN服务也绑定域名
  
• 反馈给客户端的文件信息，直接使用CDN地址，从而回源到OSS中或者直接命中缓存
  

　　2、同样的，在本次案例中，也使用了这样的处理方式，最终给用户的下载地址是CDN下载地址，具体的处理流程可以看上面的设计图，应该能一目了然
　　3、关于对上传到OSS的处理
　　在最初的设计方案中，分布式客户端完全下载到视频文件的内容后，是上传到服务端，由服务端统一进行上传，后来评估这样的方式，对服务端的压力和带宽占用都明显提升了，既然是分布式系统，应当充分利用分布式客户端的资源，所以改为分布式客户端直接上传文件到阿里云OSS中，这样做唯一的弊端是分布式客户端会获取明文的阿里云管理密钥，于是又加入了阿里云RAM权限管理，加入了OSS子权限的控制，问题就迎刃而解了。
　　四、邮件推送的处理
　　在上面的功能设计中，加入了邮件推送的功能，详细的设计思路参见这篇文章《使用阿里云邮件推送服务架设自己邮件验证与推送体系》，邮件模板就是HTML代码，这里就不多说了，但有一个小插曲，就是阿里云的邮件推送服务，实在是太烂了，特别是QQ邮箱的到达率奇差无比，因此最终的实施部分换成了搜狐的SendCloud解决方案。
　　好啦，整个实施到这里基本上就差不多了，老规矩，还是要总结和思考一下：

　　1、技术改进。因为整个程序就做了2天不到，很多技术细节点并未很到位，还有大量可以改进的地方：

• 比如对于PhantomJS更多细节参数的研究，是不是可以提升效率，是不是可以减少出错率
  
• 又比如任务表的设计，耦合的地方还是很多，应该还可以优化设计
  
• 又比如在用户界面上，没有做太多H5的美工，应该还可以加强一下
  
• 又比如分布式客户端Windows Console Application是不是可以强化为Windows Service，并且加入监控和守护进程
  
• 又比如经过研究发现，B站用了大厂商（蓝汛）的CDN服务，非常智能，在快速的加载30%以后就进行限速，那么对于这样的瓶颈的处理是不是还可以更细致一些
  

　　这些工作在后续我会慢慢完善
　　2、功能改进。今天只是为了测试存储队列的这个服务，所以简单的进行了B站视频的爬虫，事实上还有很多后续功能可以拓展
　　比如加入微信扫码就可以在微信上下载视频、观看视频
　　比如可以绑定微信公众号，在微信公众号上也可以视频番号发起下载，并通过微信模板消息推送处理结果
　　比如可以加入对弹幕的处理
　　比如可以加入一些经营性的功能，例如广告、收费高速下载、加入存储广告站的下载地址等等
　　3、其他思考

• 还是老生常谈的话题，坚决的反对前端向开发人员进行大型系统的架构，做出来除了垃圾就是垃圾
  
• 目前个人信息的保护是非常严格的，如果下载并存储电影和综艺节目，一定是非法的甚至触犯刑法，而这种个人发布的视频的爬虫下载，不知道上传时有没有和B站签署版权协议或者电子协议，如果是直接下载地址给到用户还好，但在本案例中，加入了中转存储，那么这样的行为，是不是涉嫌违法呢？我认为暂时法律风险不大，但从长远看，不太合适！
  

　　作者：张柔，发布于  博客园  与  张柔的博客
　　转载请注明出处，欢迎邮件交流：zhangrou@printhelloworld.com，或者加QQ群：11444444