[가상 면접 사례로 배우는 대규모 시스템 설계 기초] 9장 웹 크롤러 설계

웹 크롤러란 검색 엔진에서 널리 쓰는 기술로, 웹에 새로 올라오거나 갱신된 콘텐츠를 찾아내는 것이 주된 목적이다.

웹 크롤러는 몇 개 웹페이지에서 시작하여 그 링크를 따라 나가면서 새로운 콘텐츠를 수집한다.

 

• 검색 엔진 인덱싱 : 크롤러의 가장 보편적인 용례. 크롤러는 웹 페이지를 모아 검색 엔진을 위한 로컬 인덱스를 만든다. 일례로 Googlebot은 구글 검색 엔진이 사용하는 웹 크롤러다.
• 웹 아카이빙 : 나중에 사용할 목적으로 장기보관하기 위해 웹에서 정보를 모으는 절차이다.
• 웹 마이닝 : 웹 마이닝을 통해 인터넷에서 유용한 지식을 도출해 낼 수 있다.
• 웹 모니터링 : 크롤러를 사용하면 인터넷에서 저작권이나 상표권이 침해되는 사례를 모니터링 할 수 있다. 이례로 디지마크사는 웹크롤러를 사용해 해적판 저작물을 찾아내서 보고한다.

1단계

웹 크롤러의 기본 알고리즘

1. URL 집합이 입력으로 주어지면 해당 URL들이 가리키는 모든 웹페이지를 다운로드한다.
2. 다운받은 웹 페이지에서 URL들을 추출한다.
3. 추출된 URL들을 다운로드할 URL 목록에 추가하고 위의 과정을 처음부터 반복한다.

좋은 웹 크롤러가 만족시켜야할 속성

- 규모 확장성 : 웹에는 수십억 개의 페이지가 존재한다. 따라서 병행성을 활용하면 보다 효과적으로 크롤링을 할 수 있을 것이다.
- 안정성(robustness) : 웹은 함정으로 가득하다. 잘못 작성된 HTML, 아무 반응 없는 서버, 장애, 악성 코드가 붙어있는 링크 등이 그 좋은 예다. 크롤러는 이런 비정상적 입력이나 환경에 잘 대응할 수 있어야한다.
- 예절(politeness) : 크롤러는 수집 대상 웹 사이트에 짧은 시간 동안 너무 많은 요청을 보내서는 안된다.
- 확장성(extensibility) : 새로운 형태의 콘텐츠를 지원하기가 쉬워야한다.

2단계

시작 URL 집합

시작 URL 집합은 웹 크롤러가 크롤링을 시작하는 출발점이다. 예를 들어, 어떤 대학 웹사이트로부터 찾아 나갈 수 있는 모든 웹 페이지를 크롤링하는 가장 직관적인 방법은 해당 대학의 도메인 이름이 붙은 모든 페이지의 URL을 시작 URL로 쓰는 것이다.

전체 웹을 크롤링해야 하는 경우에는 시작 URL을 고를 때 좀 더 창의적일 필요가 있다. 크롤러가 가능한 한 많은 링크를 탐색할 수 있도록 하는 URL을 고르는 것이 바람직할 것이다.

미수집 URL 저장소

현대적 웹 크롤러는 크롤링 상태를 (1) 다운로드 할 URL, (2) 다운로드된 URL로 나눈다. 이 중 ‘다운로드할 URL’을 저장 관리하는 컴포넌트를 미수집 URL 저장소라고 부른다. (FIFO 큐)

HTML 다운로더

인터넷에서 웹 페이지를 다운로드하는 컴포넌트. 다운로드할 페이지의 URL은 미수집 URL 저장소가 제공한다.

도메인 이름 변환기

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

콘텐츠 파서

웹페이지를 다운로드하면 파싱과 검증 절차를 거쳐야한다. 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?

연구 결과에 따르면 29% 가량의 웹페이지 콘텐츠는 중복이다. 이 문제를 해결하기 위한 자료구조를 도입하여 데이터 중복을 줄이고 데이터 처리에 소요되는 시간을 줄인다.

효과적인 방법은 웹 페이지의 해시 값을 비교하는 것이다.

콘텐츠 저장소

콘텐츠 저장소는 HTML 문서를 보관하는 시스템이다. 저장소를 구현하는 데 쓰일 기술을 고를 때는 저장할 데이터의 유형, 크기, 저장소 접근 빈도, 데이터의 유효 기간 등을 종합적으로 고려해야한다.

- 데이터 양이 너무 많으므로 대부분의 콘텐츠는 디스크에 저장한다.
- 인기있는 콘텐츠는 메모리에 두어 접근 지연시간을 줄일것이다.

URL 추출기

URL 추출기는 HTML 페이지를 파싱하여 링크들을 골라내는 역할을 한다. 상대경로는 모두 절대경로로 변환한다.

URL 필터

특정한 콘텐츠 타입이나 파일 확장자를 갖는 URL, 접속 시 오류가 발생하는 URL, 접근 제외 목록에 포함된 URL 등을 크롤링 대상에서 배제하는 역할을 한다.

이미 방문한 URL?

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 구조로는 블룸필터(bloom filter)나 해시 테이블이 널리 쓰인다.

URL 저장소

이미 방문한 URL을 보관하는 저장소이다.

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 변환기를 사용하여 URL의 IP주소를 알아내고, 해당 IP주소로 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.
   • 이미 저장소에 있는 콘텐츠인 경우에는 처리하지 않고 버린다.
   • 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 URL만 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 미수집 URL 저장소에도 전달한다.

3단계

DFS를 쓸것인가 BFS를 쓸것인가

웹은 유향 그래프나 같다. 페이지는 노드이고, 하이퍼링크는 엣지라고 보면된다. 크롤링 프로세스는 이 유향그래프를 엣지를 따라 탐색하는 과정이다. DFS는 깊이를 가늠하기 어렵다는 특성이 있어 웹 크롤러는 보통 BFS를 사용한다. BFS는 FIFO 큐를 사용하는 알고리즘이다. 이 큐는 한쪽으 하로는 탐색할 URL을 넣고 다른 한쪽으로는 꺼내기만한다.

하지만 이 구현법에는 2가지 문제가 있다.

- 한 페이지에서 나오는 링크의 상당수는 같은 서버로 되돌아간다. 크롤러는 같은 호스트에 속한 많은 링크를 다운받느라 바빠지면서 링크들을 병렬로 처리하게 된다면 서버는 수많은 요청으로 과부하에 걸리게 된다. (예의없는 크롤러)
- 표준적 BFS 알고리즘은 URL간에 우선순위를 두지 않는다. 처리 순서에 있어 모든 페이지를 공평하게 대하는데, 모든 웹 페이지가 같은 수준의 품질, 같은 수준의 중요성을 갖지 않는다. 따라서 페이지 순위, 사용자 트래픽 양, 업데이트 빈도 등 여러가지 척도에 비추어 처리 우선순위를 구별하는 것이 온당할 것이다.

미수집 URL 저장소

미수집 URL 저장소를 활용하면 이 문제들을 좀 쉽게 해결할 수 있다. URL 저장소는 다운로드할 URL을 보관하는 장소이다. 이 저장소를 잘 구현하면 ‘예의 있는 크롤러’, URL 사이의 우선순위와 신선도를 구별하는 크롤러를 구현할 수 있다.

예의

웹 크롤러는 수집 대상 서버로 짧은 시간 안에 너무 많은 요청을 보내는 것을 삼가야한다. 너무 많은 요청을 보내는 것은 ‘무례한’ 일이며, 때로는 DoS공격으로 간주되기도 한다.

예의바른 크롤러를 만드는 데 있어서 지켜야할 한가지 원칙은, 동일 웹 사이트에 대해서는 한 번에 한 페이지만 요청한다는 것이다. 같은 웹 사이트의 페이지를 다운받는 테스크는 시간차를 두고 실행하도록 하면 될 것이다. 이 요구사항을 만족시키려면 웹사이트의 호스트 명과 다운로드를 수행하는 작업 스레드 사이의 관계를 유지하면 된다. 즉 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 테이블
- FIFO 큐 : 같은 호스트에 속한 URL은 언제나 같은 큐에 보관된다.
- 큐 선택기 : 큐 선택기는 큐들을 순회하면서 큐에서 URL을 꺼내서 해당 큐에서 나온 URL을 다운로드하도록 지정된 작업 스레드에 전달하는 역할을 한다.
- 작업 스레드 : 작업 스레드는 전달된 URL을 다운로드하는 작업을 수행한다. 전달된 URL은 순차적으로 처리될 것이며, 작업들 사이에는 일정한 지연시간을 둘 수 있다.

우선순위

애플 제품에 대한 사용자 의견이 올라오는 포럼의 한 페이지가 애플 홈페이지와 같은 중요도를 갖는다고 보기는 어려울 것이다. 크롤러 입장에서는 중요한 페이지 먼저 수집하도록 하는 것이 바람직하다.

유용성에 따라 URL의 우선순위를 나눌 때는 페이지 랭크, 트래픽 양, 갱신 빈도 등 다양한 척도를 사용할 수 있을 것이다.

- 순위결정장치 : URL을 입력으로 받아 우선순위를 계산한다.
- 큐 : 우선순위별로 큐가 하나씩 할당된다. 우선순위가 높으면 선택될 확률도 올라간다.
- 큐 선택기 : 임의 큐에서 처리할 URL을 꺼내는 역할을 담당한다. 순위가 높은 큐에서 더 자주 꺼내도록 프로그램되어 있다.
- 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 필요하다.

- 웹 페이지의 변경 이력 활용
- 우선순위를 활용하여 중요한 페이지는 좀 더 자주 재수집

미수집 URL 저장소를 위한 지속성 저장장치

검색 엔진을 위한 크롤러의 경우 처리해야하는 URL의 수는 수억개에 달한다. 모두를 메모리에 보관하는 것은 안정성이나 규모 확장성 측면에서 바람직하지 않다. 전부 디스크에 저장하는 것도 좋은 방법은 아닌데 느려서 쉽게 성능 병목 지점이 되기 때문이다.

대부분의 URL은 디스크에 두지만 IO 비용을 줄이기 위해 메모리 버퍼에 큐를 두는 절충안을 선택할 수 있다. 버퍼에 있는 데이터는 주기적으로 디스크에 기록할 것이다.

HTML 다운로더

HTML 다운로더는 HTTP 프로토콜을 통해 웹 페이지를 내려받는다.

Robots.txt

로봇 제외 프로토콜이라고 부르기도 하는 Robots.txt는 웹사이트가 크롤러와 소통하는 표준적 방법이다. 이 파일에는 크롤러가 수집해도 되는 페이지 목록이 들어있다. 따라서 웹사이트를 긁어가기 전에 크롤러는 해당 파일에 나열된 규칙을 먼저 확인해야한다.

성능 최적화

1. 분산크롤링
2. 성능을 높이기 이해 크롤링 작업을 여러 서버에 분산하는 방법이다. 각 서버는 여러 스레드를 돌려 다운로드 작업을 처리한다. 이 구성을 위해 URL 공간은 작은 단위로 분할하여, 각 서버는 그 중 일부의 다운로드를 담당하도록 한다.
3. 도메인 이름 변환 결과 캐시DNS 요청이 처리 되는데 보통 10ms에서 200ms가 소요된다. 크롤러 스레드 가운데 어느 하나라도 이 작업을 하고 있으면 다른 스레드의 DNS 요청은 전부 블록된다. 따라서 DNS조회 결과로 얻어진 도메인 이름과 IP주소 사이의 관계를 캐시에 보관해 놓고 크론 잡(cron job) 등을 돌려 주기적으로 갱신하도록 해 놓으면 성능을 효과적으로 높일 수 있다.
4. 도메인 이름 변환기(DNS Resolver)는 크롤러 성능의 병목 중 하나인데, 이는 DNS요청을 보내고 결과를 받는 작업의 동기적 특성 때문이다. DNS 요청의 결과를 받기 전까지는 다음 작업을 진행할 수 없는 것이다.
5. 지역성지역성을 활용하는 전략은 크롤 서버, 캐시, 큐, 저장소 등 대부분의 컴포넌트에 적용가능하다.
6. 크롤링 작업을 수행하는 서버를 지역별로 분산하는 방법이다. 크롤링 서버가 크롤링 대상 서버와 지역적으로 가까우면 페이지 다운로드 시간은 줄어들 것이다.
7. 짧은 타임아웃
8. 어떤 웹 서버는 응답이 느리거나 아예 응답하지 않는다. 이런 경우 대기 시간이 길어지면 좋지 않으므로, 최대 얼마나 기다릴지 미리 정해두는 것이다. 이 시간동안 서버가 응답하지 않으면 크롤러는 해당 페이지 다운로드를 중단하고 다음 페이지로 넘어간다.

안정성

최적화된 성능뿐 아니라 안정성도 중요하게 고려해야한다.

- 안정 해시 : 다운로더 서버들에 부하를 분산할 때 적용 가능한 기술
- 크롤링 상태 및 수집 데이터 저장 : 장애가 발생한 경우에도 쉽게 복구할 수 있도록 크롤링 상태와 수집된 데이터를 지속적 저장장치에 기록해 두는 것이 바람직하다. 저장된 데이터를 로딩하고 나면 중단되었던 크롤링을 쉽게 재시작할 수 있을 것이다.
- 예외 처리 : 대규모 시스템에서 에러는 불가피할 뿐 아니라 흔하게 벌어지는 일이다. 예외가 발생해도 전체 시스템이 중단되는 일 없이 그 작업을 우아하게 이어나갈 수 있어야한다.
- 데이터 검증 : 시스템 오류를 방지하기 위한 중요 수단 가운데 하나

확장성

진화하지 않는 시스템은 없기에 새로운 형태의 콘텐츠를 쉽게 지원할 수 있도록 신경써야한다.

- PNG 다운로더는 PNG파일을 다운로드하는 플러그인 모듈이다.
- 웹 모니터는 웹을 모니터링하여 저작권이나 상표권이 침해되는 일을 막는 모듈이다.

문제 있는 콘텐츠 감지 및 회피

1. 중복 콘텐츠
2. 웹 콘텐츠의 30%가량은 중복이다. 해시나 체크섬(check-sum)을 사용하면 중복 콘텐츠를 보다 쉽게 탐지할 수 있다.
3. 거미 덫URL의 최대 길이를 제한하면 회피할 수 있다. 하지만 가능한 모든 종류의 덫을 피할 수 있는 해결책은 없다. 또 한가지 방법은 사람이 수작업으로 덫을 확인하고 찾아낸 후 덫이 있는 사이트를 크롤러 탐색 대상에서 제외하거나 URL 필터 목록에 걸어두는 것이다.
4. 거미 덫은 크롤러를 무한 루프에 빠뜨리도록 설계한 웹페이지다.
5. 데이터 노이즈
6. 어떤 콘텐츠는 가치가 거의 없다. 따라서 이런 콘텐츠는 가능하다면 제외해야한다.

4단계

- 서버 측 렌더링(server-side rendering)

: 많은 웹사이트가 자바스크립트, AJAX등의 기술을 사용해서 링크를 즉석에서 만들어 낸다. 그러니 웹페이지를 그냥 있는 그대로 다운 받아 파싱하면 동적으로 생성되는 링크는 발견할 수 없다. 이 문제는 페이지를 파싱하기 전에 서버 측 렌더링(동적 렌더링, dynamic rendering)을 적용하면 해결할 수 있다.  

- 원치 않는 페이지 필터링

저장 공간 등 크롤링에 소요되는 자원은 유한하기 때문에 스팸 방지 컴포넌트를 두어 품질이 조악하거나 스팸성인 페이지를 걸러내도록 해 두면 좋다.  

- 데이터베이스 다중화 및 샤딩

다중화나 샤딩 같은 기법을 적용하면 데이터 계층의 가용성, 규모 확장성, 안정성이 향상된다.  

- 수평적 규모 확장성

대규모의 크롤링을 위해서는 다운로드를 실행할 서버가 수백 혹은 수천 대 필요하게 될 수도 있다. 수평적 규모 확장성르 달성하는 데 중요한 것은 서버가 상태정보를 유지하지 않도록 하는 것, 즉 무상태(stateless) 서버로 만드는 것이다.  

- 가용성, 일관성, 안정성

이런 개념들은 성공적인 대형 시스템을 만들기 위해 필수적으로 고려해야하는 것들이다.  

- 데이터 분석 솔루션

데이터를 수집하고 분석하는 것은 어느 시스템에게나 중요하다. 시스템을 세밀히 조정하기 위해서는 이런 데이터와 그 분석 결과가 필수적이라서다.