[System Design Interview] 9장. 웹 크롤러 설계

• 웹 크롤러 : 웹에 새로 올라오거나 갱신된 콘텐츠를 찾아내는 것이 주된 목적인 소프트웨어.
• 웹 크롤럴 사용 방법
  • 검색 엔진 인덱싱 : 웹 페이지를 모아 검색 엔진을 위한 로컬 인덱스를 만든다.
  • 웹 아카이빙 : 나중에 사용할 목적으로 장기보관하기 위해 웹에서 정보를 모으는 절차.
  • 웹 마이닝 : 인터넷에서 유용한 지식을 도출해 낼 수 있게해준다.
  • 웹 모니터링 : 인터넷에서 저작권이나 사욮권이 침패되는 사례를 모니터링할 수 있다.

1단계 문제 이해 및 설계 범위 확정

• 웹 크롤러 알고리즘
  • URL 집합이 입력으로 주어지면, 해당 URL들이 가리키는 모든 웹 페이지를 다운로드한다.
  • 다운받은 웹 페이지에서 URL들을 추출한다.
  • 추출된 URL들을 다운로드할 URL 목록에 추가하고 위의 과정을 처음부터 반복한다.

웹 크롤러가 만족시켜야 할 속성들

• 규모 확장성 : 웹에는 수식업 개의 페이지가 존재한다. 따라서 병행성을 활용하면 보다 효과적으로 웹 크롤링을 할 수 있다.
• 안정성 : 크롤러는 비정상적 입력이나 환경에 잘 대응할 수 있어야 한다.
• 예절 : 수집 대상 웹 사이트에 짧은 시간 동안 너무 많은 요청을 보내서는 안 된다.
• 확장성 : 새로운 형태의 콘텐츠를 지원하기가 쉬워야 한다.

개략적 규모 추정

• 매달 10억 개의 웹 페이지를 다운로드한다.
• QPS = 10억/30일/24시간/3600초 = 대략 400페이지/초
• 최대 QPS = 2 * QPS = 800
• 웹 페이지 크기 평균은 500k라고 가정
• 10억 페이지 * 500k = 500TB/월
• 1개월치 데이터를 보관하는 데는 500TB. 5년간 보관한다고 가정하면 500TB * 12개월 * 5년 = 30PB

2단계 개략적 설계안 제시 및 동의 구하기

시작 URL 집합

• 웹 크롤러가 크롤링을 시작하는 출발점이다.
• 크롤러가 가능한 많은 링크를 탐새갈 수 있도록 하는 URL을 고르는 것이 바람직하다.
• 일반적으로는 전체 URL 공간을 작은 부분집합으로 나누는 전략을 쓴다.
  • 나라별로 인기 있는 웹 사이트가 다르다는 점을 이용한다.
  • 주제별로 다른 시작 URL을 사용한다.

미수집 URL 저장소

• 대부분의 현대적 웹 크롤러는 크롤링 상태를 (1) 다운로드 할 URL, (2) 다운로드된 URL의 두 가지로 나눠 관리한다.
• "다운로드 할 URL" 을 저장 관리하는 컴포넌트를 미수집 URL 저장소라고 부른다.(FIFO라고 생각하면 된다)

HTML 다운로더

• 인터넷에서 웹 페이지를 다운로드하는 컴포넌트다.

도메인 이름 변환기

• 웹 페이지를 다운받으려면 URL을 IP 주소로 변환하는 절차가 필요하다.
• HTML 다운로더는 도메인 이름 변환기를 사용하여 URL에 대응되는 IP주소를 알아낸다.

콘텐츠 파서

• 웹 페이지를 다운로드하면 파싱과 검증 절차를 거쳐야 한다.
  • 이상한 웹 페이지는 문제를 일으킬 수 있는데다 저장 공간만 낭비하게 되기 때문이다.
• 크롤링 서버 안에 콘텐츠 파서를 구현하면 크롤링 과정이 느려지게 될 수 있으므로, 독립된 컴포넌트로 만들었다.

중복 콘텐츠인가?

•  약 29% 가량의 웹 페이지 콘텐츠는 중복이다.
• 같은 콘텐츠를 중복 저장하는 문제를 해결하기 위한 자료 구조를 도입하여 데이터 중복을 줄이고 데이터 처리에 소요되는 시간을 줄인다.
• HTML 문서를 비교하는 가장 간단한 방법은 두 문서를 문자열로 보고 비교하는 것이다.
• 하지만 비교 대상 문서의 수가 10억에 달하는 경우에는 느리고 비효율적이다. 효과적인 방법은 웹 페이지의 해시 값을 비교하는 것이다.

콘텐츠 저장소

• 콘텐스 저장소는 HTML 문서를 보관하는 시스템이다.
• 본 설계안의 경우에는 디스크와 메모리를 동시에 사용하는 저장소를 책할 것이다.
  • 데이터 양이 많으므로 대부분의 콘텐츠는 디스크에 저장한다.
  • 인기 있는 콘텐츠는 메모리에 두어 접근 지연시간을 줄일 것이다.

URL 추출기

• URL 추출기는 HTML 페이지를 파싱하여 링크들을 골라내는 역할을 한다.

URL 필터

• URL 필터는 특정한 콘텐츠 타입이나 파일 확장자를 갖는 URL, 접속 시 오류가 발생하는 URL, 접근 제외 목록에 포함된 URL등을 크롤링 대상에서 재외하는 역할을 한다.

이미 방문한 URL?

• 이미 방문한 URL이나 미수집 URL 저장소에 보관된 URL을 추적할 수 있도록 하는 자료 구조를 사요할 것이다.
• 이미 방문한 적이 있는 URL인지 추적하면 같은 URL을 여러 번 처리하는 일을 방지할 수 있으므로 서버 부하를 줄이고 시스템이 무한 루프에 빠지는 일을 방지할 수 있다.
• 해당 자료 구조는 블룸 필터나 해시 테이블이 널리 쓰인다.

URL 저장소

• URL 저장소는 이미 방문한 URL을 보관하는 저장소다.

웹 크롤러 작업 흐름

1. 시작 URL들을 미수집 URL 저장소에 저장한다.
2. HTML 다운로더는 미수집 URL 저장소에서 URL 목록을 가져온다.
3. HTML 다운로더는 도메인 이름 변한기를 사용하여 URL의 IP주소를 알아내고, 해당 IP 주소로 접속하여 웹 페이지를 다운받는다.
4. 콘텐츠 파서는 다운된 HTML 페이지를 파싱하여 올바른 형식을 갖춘 페이지인지 검증한다.
5. 콘텐츠 파싱과 검증이 끝나면 중복 콘텐츠인지 확인하는 절차를 개시한다.
6. 중복 콘텐츠인지 확인하기 위해서, 해당 페이지가 이미 저장소에 있는지 본다.
   1. 이미 저장소에 있는 콘텐츠인 경우에는 처리하지 않고 버린다.
   2. 저장소에 없는 콘텐츠인 경우에는 저장소에 저장한 뒤 URL 추출기로 전달한다.
7. URL 추출기는 해당 HTML 페이지에서 링크를 골라낸다.
8. 골라낸 링크를 URL 필터로 전달한다.
9. 필터링이 끝나고 남은 URL인 중복 URL 판별 단계로 전달한다.
10. 이미 처리한 URL인지 확인하기 위하여, URL 저장소에 보관된 URL인지 살핀다. 이미 저장소에 있는 URL은 버린다.
11. 저장소에 없는 URL은 URL 저장소에 저장할 뿐 아니라 마수집 URL 저장소에도 전달한다.

3단계 상세 설계

DFS vs BFS

• 웹은 directed graph이다. 페이지는 노드이고, 하이퍼링크는 에지라고 보면 된다.
• 크롤링 프로세스는 이 directed graph를 에지를 따라 탐색하는 과정이다. DFS,BFS는 그래프 탐색에 널리 사용되는 알고리즘들이다. 하지만 DFS는 좋은 선택이 아닐 가능성이 높다. 그래프 크기가 클 경우 어느 정도로 깊숙이 가게 될지 가늠하기 어려워서다.
• 따라서 웹 크롤러는 보통 BFS를 사용한다.
• 하지만 이 구현법에는 다음의 두 가지 문제점이 있다.
  • 한 페이지에서 나오는 링크의 상당수는 같은 서버로 되돌아간다. 결국 크롤러는 같은 호스트에 속한 많은 링크를 다운받느라 바빠지게 되는데, 이때 링크들을 병렬로 처리하게 된다면 위키피디아 서버는 수많은 요청으로 과부하에 걸리게 될 것이다. 이런 크롤러는 보통 '예의 없는' 크롤러로 간주된다.
  • 표준적 BFS 알고리즘은 URL 간에 우선순위를 두지 않는다. 하지만 모든 웹 페이지가 같은 수준의 품질, 같은 수준의 중요성을 갖지는 않는다. 그러니 페이지 순위, 사용자 트래픽의 양, 업데이트 빈도 등 여러 가지 척도에 비추어 처리 우선순위를 구별하는 것이 좋다.

미수집 URL 저장소

• 미수집 URL 저장소를 잘 구현하면 예의를 갖춘 크롤러, URL 사이의 우선순위와 신선도를 구별하는 크롤러를 구현할 수 있다.
  • 예의
    • 동일 웹 사이트에 대해서는 한 번에 한 페이지만 요청한다는 것이다.
    • 같은 웹 사이트의 페이지를 다운받는 테스크는 시간차를 두고 실행하도록 한다.
    • 각 다운로드 스레드는 별도 FIFO 큐를 가지고 있어서, 해당 큐에서 꺼낸 URL만 다운로드 한다.

- 큐 라우터 : 같은 호스트에 속한 URL은 언제나 같은 큐로 가도록 보장하는 역할을 한다.
- 매핑 테이블 : 호스트 이름과 큐 사이의 관계를 보관하는 테이블이다.
- FIFO 큐 : 같은 호스트에 속한 URL은 언제나 같은 큐에 보관된다.
- 큐 선택기 : 큐들을 순회하면서 큐에서 URL을 꺼내서 해당 큐에서 나온 URL을 다운로드하도록 지정된 작업 스레드에 전달하는 역할을 한다.
- 작업 스레드 : 전달된 URL을 다운로드하는 작업을 수행한다.

• 우선순의
  • 순위결정장치는 URL 우선순위를 정하는 컴포넌트다.

- 순위결정장치 : URL을 입력으로 받아 우선순위를 계산한다.
- 큐 : 우선순위별로 큐가 하나씩 할당한다. 우선순위가 높으면 선택될 확률도 올라간다.
- 큐 선택기 : 임의 큐에서 처리할 URL을 꺼내는 역할을 담당한다.

아래 figure 9-8은 전체 설개이다.

• 전면 큐 : 우선순위 결정 과정을 처리한다.
• 후면 큐 : 크롤러가 예의 바르게 동작하도록 보증한다.

 

• 신선도
  • 웹 페이지는 수시로 추가되고, 삭제되고, 변경된다. 따라서 데이터의 신선함을 유지하기 위해서는 이미 다운로드한 페이지라고 해도 주기적으로 재수집할 필요가 있다.
  • 그러나 모든 URL을 재수집하는 것은 많은 시간과 자원이 필요한 작업이다. 이 작업을 최적화하기 위한 전략으로는 다음과 같은 것들이 있다.
    • 웹 페이지의 변경 이력 활용
    • 우선순위를 활용하여 중요한 페이지는 좀 더 자주 재수집
• 미수집 URL 저장소를 위한 지속성 저장장치
  • 대부분의 URL은 디스크에 두지만 IO 비용을 줄이기 위해 메모리 버퍼에 큐를 두는 것이다. 버퍼에 있는 데이터는 주기적으로 디스크에 기록할 것이다.

HTML 다운로더

• HTML 다운로더는 HTTP 프로토콜을 통해 웹 페이지를 내려 받는다.
• Robots.txt(로봇 제외 프로토콜)
  • 웹 사이트가 크롤러와 소통하는 표준적 방법이다.
  • 이 파일에는 크롤러가 수집해도 되는 페이지 목록이 들어 있다.
  • 이 파일이 거푸 다운로드하는 것을 피하기 위해, 이 파일은 주기적으로 다시 다운받아 캐시에 보관할 것이다.
• 성능 최적화
  • 분산 크롤링
    • 성능을 높이기 위해 크롤링 작업을 여러 서버에 분산하는 방법이다.
    • 여러 서버는 여러 스레드를 돌려 다운로드 작업을 처리한다.
    • 이 구성을 위해 URL 공간은 작은 단위로 분할하여, 각 서버는 그중 일부의 다운로드를 담당하도록 한다.
  • 도메인 이름 변환 결과 캐시
    • 도메인 이름 변환기는 크롤러 성능의 병목 중 하나인데, 이는 DNS 요청을 보내고 결과를 받는 작업의 동기적 특성 때문이다.
    • DNS 조회 결과로 얻어진 도메인 이름과 IP 주소 사이의 관계를 캐시에 보관해 놓고 크론 잡등을 돌려 주기적으로 갱신하도록 해 놓으면 성능을 효과적으로 높일 수 있다.
  • 지역성
    • 크롤링 작업을 수행하는 서버를 지역별로 분산하는 방법이다.
  • 짧은 타임아웃
    • 어떤 웹 서버는 응답이 느리거나 아예 응답하지 않는다. 이런 경우 대기 시간이 길어지면 좋지 않으므로, 최대 얼마나 기다릴지를 미리 정해두는 것이다.
    • 이 시간 동안 서버가 응답하지 않으면 크롤러는 해당 페이지 다운로드를 중단하고 다음 페이지로 넘어간다.
• 안정성
  • 안정 해시 : 다운로더 서버들에 부하를 분산할 때 적용 가능한 기술이다. 이 기술을 이용하면 다운로더 서버를 쉽게 추가하고 삭제할 수 있다.
  • 크롤링 상태 및 수집 데이터 저장 : 장애가 발생한 경우에도 쉽게 복구할 수 있도록 크롤링 상태와 수집된 데이터를 지속적 저장장치에 기록해 두는 것이 좋다.
  • 예외 처리 : 예외가 발생해도 전체 시스템이 중단되는 일 없이 그 작업을 웅하게 이어나갈 수 있어야 한다.
  • 데이터 검증 : 시스템 오류를 방지하기 위한 주요 수단이다.
• 확장성
  • 새로운 형태의 콘텐츠를 쉽게 지원할 수 있도록 신경 써야 한다.

• 문제 있는 콘텐츠 감지 및 회피
  • 중복 콘텐츠
    • 해시나 체크섬을 사용하면 중복 콘텐츠를 보다 쉽게 탐지할 수 있다.
  • 거미 덫
    • 거미 덫은 크롤러를 무한 루프에 빠뜨리도록 설계된 웹 페이지다.
    • 한 가지 방법은 사람이 수작업으로 엋을 확인하고 찾아낸 후에 엋이 있는 사이트를 크롤러 탐색 대상에서 제외하거나 URL 필터 목록에 걸어두는 것이다.
  • 데이터 노이즈
    • 어떤 콘텐츠는 거의 가치가 없다. ex) 광고, 스크립트 코드, 스팸 URL
    • 이런 콘텐츠는 크롤러에게 도움될 것이 없으므로 가능한 제외한다.