有人曾遇到过的问题，
这次重构爬虫的过程中遇到了一个不小的麻烦，由于FreeBSD-4.11对线程的支持非常不佳（gethostbyname等系统函数不可重入），而使
用多进程又太占内存，所以目标就定在“一个进程多个连接”。没有直接用socket而是用的libcurl中的multi_curl,当然
“select()”还是免不了的。
麻烦很快就来了，建立连接的时候会阻塞在gethostbyname调用上，如果是多进程爬虫这种阻塞只影响一个进程，而现在在多个连接初始化的时候，它浪费的却是大家的时间。
为了让gethostbyname不再阻塞，我们试了dnscache、dnsmasq等DNS缓存软件，但问题还是存在，即对于一些不存在的域名dnscache不缓存，下次解析的时候程序还是会阻塞。这个cache有点名不符实。
折腾了两天后，我们终于采取了最后的方案：把libcurl中调用gethostbyname的函数替换为自己写的一个内存cache，不存在的域名也留记录，免得又阻塞。虽然动作大了点，这最后一招终于起作用了。
但很快发现虽然不阻塞了，但爬取速度连原来的一半都不到，而且如果curl数量太多，它们会都不返回（即用select始终问不到任何结果）。我郁闷之
际，发现这个爬虫程序一跑，机器上的网络操作就无法进行。会不会是机器本身网络就有问题？问了问夏辉，原来开发机有400个连接数的限制。换用专门的测试
机跑了一遍，搞定，速度够快且没有在DNS解析上阻塞。
所以，在写网络爬虫时应该实现自己的DNS缓冲
阅读(2278) | 评论(0) | 转发(0) |
