反爬虫中技术点的定义

spark

　　./sbin/start-all.sh

　　./sbin/start-history-server.sh 　　

　　web-ui: master:8080

redis

　　是一个开源、高效的Key-value非关系型数据库

　　单机版：启动服务 ./redis-server redis.conf

　　启动服务器：./start-all.sh

　　创建集群服务器./redis-trib.rb create --replicas 1 192.168.139.200:7001 192.168.139.200:7002 192.168.139.200:7003 192.168.139.200:7004 192.168.139.200:7005 192.168.139.200:7006

　　启动客户端：../bin/redis-cli -h 192.168.139.200 -p 7001 -c

　　在集群中:cluster nodes查看所有节点的情况， set key,get key ,例如：set s1 111 ,get s1

kafka

　　是一个分布式的，容错的，高效的消息通到。主要用于做实时的数据流、构建实时应用等。

　　设计目标：为处理实时数据提供一个统一、高吞吐量、低延迟的平台。

　　kafka是一个分布式消息队列：生产者、消费者的功能。

　　启动：先保证zk集群启动

　　再启动kafka

　　[root@hadoop01 kafka_2.11-1.1.1]# nohup ./bin/kafka-server-start.sh ./config/server.properties > /zj/log/kafka.log 2>&1 &

　　[root@hadoop02 kafka_2.11-1.1.1]# nohup ./bin/kafka-server-start.sh ./config/server.properties > /zj/log/kafka.log 2>&1 &

　　[root@hadoop03 kafka_2.11-1.1.1]# nohup ./bin/kafka-server-start.sh ./config/server.properties > /zj/log/kafka.log 2>&1 &

　　关闭：./bin/kafka-server-stop.sh

查看当前服务器中的所有topic
/opt/apps/kafka/bin/kafka-topics.sh --list --zookeeper master:2181

创建topic
/opt/apps/kafka/bin/kafka-topics.sh --create --zookeeper master:2181 --replication-factor 1 --partitions 1 --topic nginxdata1906

删除topic
/opt/apps/kafka/bin/kafka-topics.sh --delete --zookeeper master:2181 --topic nginxdata1906
需要server.properties中设置delete.topic.enable=true否则只是标记删除或者直接重启。

通过shell消费消息
/opt/apps/kafka/bin/kafka-console-consumer.sh --zookeeper master:2181 --from-beginning --topic nginxdata1906

通过shell命令发送消息
/opt/apps/kafka/bin/kafka-console-producer.sh --broker-list master:9092 --topic nginxdata1906

　　组成：

　　Broker(代理)： Kafka 节点，一个 Kafka 节点就是一个 broker，多个 broker 可以组成一个 Kafka 集群,每一个broker可以有多个topic。（一个虚拟机对应一个Broker）

　　Producer(生产者): 生产 message (数据)发送到 topic。

　　Consumer(消费者): 订阅 topic 消费 message，consumer 作为一个线程来消费。

　　Consumer Group(消费组)：一个 Consumer Group 包含多个 consumer，这个是预先在配置文件中配置好的。

　　Topic(主题)：一种类别，每一条发送到kafka集群的消息都可以有一个类别，这个类别叫做topic,不同的消息会进行分开存储，如果topic很大，可以分布到多个broker上，例如 page view 日志、click 日志

　　等都可以以 topic的形式存在，Kafka 集群能够同时负责多个 topic 的分发。也可以这样理解：topic被认为是一个队列，每一条消息都必须指定它的topic，可以说我们需要明确把消息放入哪一个队列。

　　Partition(分区): topic 物理上的分组，一个 topic 可以分为多个 partition，每个 partition 是一个有序的队列。

　　Replicas(副本): 每一个分区，根据副本因子N，会有N个副本。比如在broker1上有一个topic，分区为topic-1, 副本因子为2，那么在两个broker的数据目录里，就都有一个topic-1,其中一个是leader，一个replicas。

　　Segment： partition 物理上由多个 segment 组成，每个 Segment 存着 message 信息。

四大核心API

　　Producer API(生产者API)允许一个应用程序去推送流式记录到一个或者多个kafka的topic中。

　　Consumer API(消费者API)允许一个应用程序去订阅消费一个或者多个主题，并处理生产给他们的流式记录。

　　Streams API(流式API)允许应用程序作为一个流处理器，消费一个或多个主题的输入流，并生成一个或多个主题到输出流，从而有效地将输入流转换为输出流。

　　Connector API(连接器API)允许构建和运行将Kafka主题连接到已经存在应用程序或数据系统的可重用生产者或消费者。例如，到关系数据库的连接器可能捕获对表的每个更改。

HDFS

　　遍历创建：hdfs dfs -mkdir -p /csair/data/rule-black-list/

processDate

　　就是一个对象，一个类，可以封装多个字段，类似：

spider-csair

　　反爬虫脚本，当运行反爬虫脚本时，由于脚本中指定了（private static String basePath = "http://192.168.139.200:10086"）访问的服务器为虚拟机上的Nginx服务器，当nginx接收到爬虫请求，然后会加载配置，当加载到Lua脚本文件的时候，Lua脚本文件内部写了对接kafka的相关代码，所以会将爬虫的一些信息发送到Kafka中。

Streamingmonitor1906

　　common：通用类，包含bean（对某些数据集中封装的对象），util（帮助类，工具类）

　　dataprocess：处理数据管理的，包含businessprocess（不同需求对应不同方法都放在此包中），constants，launch（写对应的业务逻辑，由自己写）

　　rulecompute：规则计算，用于实时处理的

链路统计

　　一个链路就是一个服务器，统计链路就是实时统计nginx服务器的数量

　　每天统计的结果处理完成后，先存储在redis当中，接下来用web端同步到mysql中，并且进行前端页面的展示，redis的数据设置的过期时间，会自动清楚当天的数据。

　　为了区分不同天数的链路对应的数据，在存入redis时需要将server_addr加时间戳

　　活跃连接数：首先需要在lua脚本里的数据拼接ngx.var.connections_active

　　活跃连接数统计过程：（server_addr, connections_active ）服务器地址和数量

　　由于每次connection_active记录的都是最后一个，所以

　　　　.reduceByKey((x,y)=>y)就是不断循环取每个key里最后的那个数，就是最大的数

kafka的几个topic

nginxdata1906:存放lua从nginx拿到数据，并将数据保存到kafka中的nginxdata1906这个topic中

processedQuery:存放处理后的查询数据，

processedBook:存放处理后的预定数据

zookeeper的作用：

分布式协调服务框架