Funspider 分布式爬虫框架概览
一、核心特性
1.1 数据入库机制
ItemBuffer 批量入库设计
借鉴 Feapder 的 ItemBuffer 机制，实现高效的批量数据入库：
classItemBuffer:""" 数据缓冲管理器 功能： - 批量缓冲：数据达到阈值后批量写入，减少数据库IO - 多 Pipeline 支持：同时支持 MySQL、MongoDB、Elasticsearch 等 - 失败重试：入库失败自动重试，超过次数存入 Redis - 去重处理：支持内存去重和 Redis 去重 """def__init__(self,spider_name:str,batch_size:int=100,max_retry_times:int=3):self._items_queue=Queue(maxsize=10000)self._pipelines=[]self._dedup_cache=set()# 内存去重self.batch_size=batch_size self.max_retry_times=max_retry_times核心流程：
- 数据收集：解析方法
yield Item()后，Item 进入队列 - 批量缓冲：队列达到
batch_size或超时触发刷新 - 去重过滤：基于
fingerprint进行去重 - Pipeline 链式处理：按优先级依次调用 Pipeline
- 失败重试：失败后重试，超过次数存入 Redis
代码示例：
# 在爬虫中使用defparse_detail(self,request,response):item=Item()item.table_name='products'item.title=response.xpath('//h1/text()').get()item.price=response.xpath('//span[@class="price"]/text()').get()yielditem# 自动进入 ItemBuffer1.2 去重机制
继承 Feapder 的去重方案
支持多种去重策略，兼容 Feapder 的去重过滤器：
fromfunspider.dedupimportBloomFilter,ExpireFilter# 1. 布隆过滤器（内存高效）dedup=BloomFilter(redis_url='redis://localhost:6379/0',key='spider:dedup:products',bit_size=10000000# 1000万位)# 2. 带过期时间的去重（适合增量爬取）dedup=ExpireFilter(redis_url='redis://localhost:6379/0',key='spider:dedup:products',expire_time=86400# 24小时过期)去重指纹生成：
classItem:@propertydeffingerprint(self)->str:"""生成数据指纹用于去重"""data={}forkey,valueinself.__dict__.items():ifnotkey.startswith('_'):data[key]=value fingerprint_str=json.dumps(data,sort_keys=True,ensure_ascii=False)returnhashlib.md5(fingerprint_str.encode()).hexdigest()Request 去重：
# Funboost 自带的消息去重机制booster.publish(request.to_dict(),task_id=task_id,# Funboost 会根据 task_id 自动去重)二、框架定位与局限性
2.1 与 其他爬虫框架相比 对比
缺少的功能：
- AirSpider（轻量级爬虫）
- Feapder 的 AirSpider 支持单脚本运行，无需 Redis/MySQL
- Funspider 必须依赖 Redis 作为消息队列，不适合简单任务
- Spider（单机爬虫）
- Feapder 的 Spider 类似 Scrapy，适合中小型项目
- Funspider 强依赖分布式架构，小项目过于复杂
- 内置下载器
- Feapder 内置多种下载器（requests、selenium、playwright）
- Funspider 需要用户自行实现下载逻辑
- 可以尝试将浏览器单独封装api ，每个tab 一个任务，节省资源。爬虫使用api 下载。
2.2 适用场景
Funspider 适合的场景：
- 长周期任务：持续运行数月甚至数年的数据采集
- 大规模爬取：数千万甚至数亿级别的数据量
- 分布式部署：需要多台机器协同工作
- 复杂调度：多层级的请求依赖关系（列表页→详情页→评论页）
不适合的场景：
- 一次性数据采集（推荐使用 Scrapy /feapder）
- 小规模项目（< 10万数据，推荐 Feapder AirSpider）
- 快速原型开发（推荐 Funboost 自带的 boost_spider）
boost_spider 示例（更简单）：
三、框架现状与未来规划
3.1 当前状态
已实现的核心功能：
- 分布式请求调度（基于 Funboost）
- ItemBuffer 批量入库
- 多 Pipeline 支持（MySQL、MongoDB、Elasticsearch）
- 去重机制（内存 + Redis）
- 全链路追踪（Trace/Span）
- 失败数据恢复
- Web 管理界面(funboost自带了一个队列管理可以使用)
- 存在的问题：
- 代码质量
- 部分代码耦合度高，需要重构
- 注释和文档不够完善
3.2 TODO 清单
优先级 1：运维工具
1. Web 管理后台
2. 任务发布系统
3. 链路追踪可视化
优先级 2：代码重构
- 解耦核心模块
- 将 Worker、Engine、ItemBuffer 完全分离
- 统一接口规范，便于扩展
3.3 开源计划
开源时机：
完成以下条件后考虑开源：
- 代码质量达标
- 重构完成，模块清晰
- 文档完善
项目将在代码质量达标后开源，敬请期待！
)
