基于docker的分布式爬虫服务
- 多机多 IP，充分利用 IP 资源
- 服务自动发现和注册（基于 etcd 和 registrator）
- 负载均衡
- 服务端客户端通信基于 gRPC，支持多种编程语言的客户端
- 可设置抓取超时
- 支持 GET、HEAD、POST 方法
- 支持自定义 header
我把 etcd 容器化了，并开发了脚本使得部署 etcd cluster 非常容易，见 github.com/huichen/etcd_docker
为了容灾，请至少在三台服务器上运行 etcd 实例。为了方便调用，你可以固定 etc endpoint 的端口号，并在所有机器上手工添加 etcd host 的 hostname。
你需要在集群的每一台服务器上都运行 registrator，这使得我们可以自动发现和注册分布式服务
docker run -d --name=registrator --net=host --volume=/var/run/docker.sock:/tmp/docker.sock \
gliderlabs/registrator etcd://<etcd 接入点的 ip:port>/services
请把上面的 etcd 接入点换成你的 etcd 地址。
进入 service_container 子目录，然后运行
./build_docker_image.sh
这会生成 unmerged/zerg 容器。然后在集群的每台服务器上启动容器：
docker run -d -P unmerged/zerg
registrator 会自动注册这些服务到 etcd。如果单机有多个 IP，你可以单机启动多个容器，并在 -P 中分别指定 IP。
进入 examples 目录，运行
go run zerg_crawl.go --endpoints http://<你的 etcd host:ip> --url http://taobao.com
1、重新生成 protobuf service
protoc protos/crawl.proto --go_out=plugins=grpc:protos -I protos/
2、本地测试
启动本地服务。进入 service_container 目录，然后运行
go run service.go
然后进入 examples 目录，运行
go run single_machine_crawl.go --url http://taobao.com