自己用 go 写的分布式爬虫，欢迎大家拍砖

[wcong]

ants-go

最进在用golang开发的一个分布式的爬虫
github:https://github.com/wcong/ants-go

由来

一直用scrapy抓数据。scrapy的分布式部署，需要人⼯分配抓取链接,感觉很麻烦,一直想搞一个自动分发请求的分布式爬虫。
基于scrapy改了一简陋的分布式爬虫ants,但是动态语言写起来有些混乱,正好正在学go,就用go写了一个分布式爬虫ants-go
爬虫架构参考是scrapy,分布式的架构参考的是elasticsearch.
目前已经可以试用,欢迎大家来拍砖.

主要的功能

• 分布式抓取数据
  • 自动选取master,各个node连接到master形成集群
  • master node分发请求,各个node执行完将结果发回master
• 定制spider
  • 定制解析函数,不同链接对应不同的解析函数
  • spider可以实现多个cookiejar保存不同cookie数据
  • goquery解析html
• web api

主要模块

• http:提供外部接口,查看cluster状态,开启spider,查看抓取状态
• tcp:node之间连接,分发请求,汇总结果
• node:管理当前节点
• cluster:管理集群状态
• distributer:把cluster队列的请求分发给各个node
• downloader:执行请求,把response发到队列里
• scraper:解析response,把解析的结果发到队列里
• reporter:把当前node的抓取结果发送个master node

欢迎拍砖，欢迎fork,欢迎一起完善

github:https://github.com/wcong/ants-go

[coosir]

各个node执行完将结果发[挥]master

[wcong]

@coosir ......,手残党

[qiang1012]

正好要学go语言，star之！

[Tink]

这个看起来很厉害啊

[ericls]

很厉害 虽然不懂go

[xiaoyaoking]

搞这么多专业名词瞬间感觉自己啥都不懂了。。。

[qloog]

都开始自己写 分布式爬虫了，赞~~
scrapy 还不太懂的路过吧。。

[kevinroot]

聪神威武~~~

[wcong]

@kevinroot 好巧

[monnand]

还没有看代码，但是从代码组织上看，不太符合Go语言的规范。参见Go的官方文档： http://blog.golang.org/organizing-go-code

看这句：

Sometimes people set GOPATH to the root of their source repository and put their packages in directories relative to the repository root, such as "src/my/package". On one hand, this keeps the import paths short ("my/package" instead of "github.com/me/project/my/package"), but on the other it breaks go get and forces users to re-set their GOPATH to use the package. Don't do this.

简单说：

把src/下面的代码都放到根目录下，修改相应的import path，让你的程序可以直接用go get安装。

[wcong]

@monnand 是有这个问题，thx，我立马改一下

[wcong]

@monnand 我考虑了一下，因为这不是一个传统的第三方库的项目,是一个完整的应用程序，需要依赖外部的conf,log等目录，所以把src/的代码都放到根目录下,有点不太合理

[monnand]

@wcong 其实，你这个疑问（以及你的理由）已经是go社区里的月经问题了。我简单给你总结一下之前的讨论。具体内容你可以去golang-nuts列表里讨论（鉴于这个问题已经属于月经问题了，很可能会被要求你在列表里先搜索一下答案）

简单的回答是：你的需求和别的Go程序没什么区别，不要把代码放src里再让用户去修改GOPATH。你的项目的确不是“传统的”第三方库，但是是一个传统的Go可执行程序。所以还是依照传统方法解决。

示例项目参见Go语言作者之一Brad Fitz的camlistore：

https://github.com/camlistore/camlistore

一个简单的理由是：用户自己配置的编辑器和各种开发环境，都会依赖当前设置的GOPATH。而如果每个项目都去让用户添加一个目录到GOPATH里面，各种工具之间就很难协调。

至于其他理由，你可以去golang-nuts上面去搜索，我就不在这里细说了。

标准的做法是这么做的：

如果你的项目是github.com/myname/myproj，项目下有一个自己写的log库，在log/目录下，那么引用这个库的时候，import path就应该是github.com/myname/myproj/log。

还有一些参考例子，比如Google的cAdvisor项目： https://github.com/google/cadvisor

[monnand]

@wcong 一条简单的原则是：绝大多数情况下，如果你的Go项目中有一个存放你自己代码的目录叫src，那很可能是你没有按照规范来写。

具体理由我就不细说了，还是我刚才说的，你去golang-nuts那边搜索一下，或者发个邮件问问就好了。这里列举几个比较标准的Go项目，可以参考一下他们的组织结构，一下所有的项目，都是“完整的应用程序”，而非（仅仅是）第三方库：

- 来自Google的kubernetes，一个项目包含多个可执行程序和库： https://github.com/GoogleCloudPlatform/kubernetes
- 来自Google的cAdvisor： https://github.com/google/cadvisor
- Go语言作者之一Brad Fitz的camlistore： https://github.com/camlistore/camlistore
- 同样是Brad Fitz的goimports： https://github.com/bradfitz/goimports
- 语法级别的自动补全程序，gocode： https://github.com/nsf/gocode
- etcd： https://github.com/coreos/etcd

还有很多，我就不一一列举了我想这些项目应该可以作为比较好的示例（尤其是Brad Fitz的项目）。

[wcong]

@monnand thx，这些信息很有帮助，我好好学习一下

[hustlzp]

收藏了

[monnand]

@wcong 不客气。和其他语言一样，Go语言有自己的一套独立的规范。个人觉得现在的官方文档把内容放得太分散，导致初学者必须把几份文档合在一起看。最好的办法还是看看官方的实际项目，这样有助于了解这个语言和相应工具的使用

[wcong]

已经参照的规范改过来了

[cgcs]

@monnand 我来拜一下大神的

[jusonalien]

厉害~~ 学习学习~