Распределённый парсинг: масштабирование через несколько воркеров

Отметим: когда один парсер упирается в лимиты целевого сайта и скорость собственной сети, мы предлагаем распределённую архитектуру. Наш опыт показывает: 5 воркеров с разными прокси дают не просто ×5 скорость — они параллельно обходят разные разделы и не конфликтуют при записи в общую базу. Вы получаете готовое решение под ключ: от координатора до дедупликатора. Распределённый парсинг позволяет обойти ограничения по частоте запросов и IP-блокировки. Каждый воркер использует свой пул резидентных прокси, что снижает вероятность блокировки. Для управления задачами применяется очередь Redis с приоритетами, что обеспечивает равномерную загрузку. Система спроектирована с учётом отказоустойчивости: при падении воркера задача переходит другому.

В отличие от простого запуска нескольких копий, наша архитектура гарантирует отсутствие дублирования и согласованность данных. Благодаря Bloom filter и двухуровневой очереди, система масштабируется без потери производительности. Мы гарантируем стабильность при нагрузке до 5000 страниц в минуту. Экономия на инфраструктуре по сравнению с последовательным обходом может достигать 40%. Такая производительность достигается за счёт параллельной работы воркеров и эффективного управления очередью.

Мы имеем 5 лет опыта в парсинге и реализовали более 15 проектов. Наша команда подберёт оптимальную конфигурацию: количество воркеров, тип прокси, емкость очереди. Оценим ваш проект бесплатно в течение 1–2 дней. Получите консультацию инженера.

Как распределённый парсинг решает проблему блокировок?

Воркеры работают с разными IP, каждый имеет свой лимит запросов. Мы используем ротацию прокси с автоматическим карантином забаненных адресов. Это позволяет собирать данные с агрессивной защитой, сохраняя стабильность. Дополнительно применяется задержка между запросами (jitter), чтобы не создавать равномерный паттерн.

Почему дедупликация критична для распределённого парсинга?

Без дедупликации один и тот же URL может быть обработан несколькими воркерами, что приводит к избыточным запросам и неконсистентным данным. Мы используем Bloom filter для проверки уникальности URL перед добавлением в очередь. Bloom filter занимает в 50–100 раз меньше памяти, чем Set, при допустимой погрешности менее 0.1%. Это эффективно для масштабов свыше 10 млн URL. Bloom filter — оптимальный выбор.

Архитектура распределённого парсинга

Общая схема

Координатор (Scheduler) → Очередь задач (Redis + BullMQ) → Воркеры (stateless) → Shared Storage (PostgreSQL + S3) → Дедупликатор (Bloom filter). Координатор не парсит сам — он генерирует задачи и мониторит прогресс. Каждый воркер берёт задачу из очереди, выполняет и возвращает результат. Для распараллеливания листингов используется двухуровневая очередь: сначала страницы каталога, затем карточки товаров с разными приоритетами.

Управление прокси и дедупликация

Каждый воркер привязан к пулу прокси. Ротация — round-robin с карантином. Пример реализации на Python:

class ProxyRotator:
    def __init__(self, proxies: list[str]):
        self.proxies = proxies
        self.banned: dict[str, datetime] = {}
        self.idx = 0

    def get_proxy(self) -> str:
        for _ in range(len(self.proxies)):
            proxy = self.proxies[self.idx % len(self.proxies)]
            self.idx += 1
            ban_until = self.banned.get(proxy)
            if ban_until and ban_until > datetime.utcnow():
                continue
            return proxy
        raise NoProxyAvailable("All proxies are in cooldown")

    def report_banned(self, proxy: str, cooldown_minutes: int = 30):
        self.banned[proxy] = datetime.utcnow() + timedelta(minutes=cooldown_minutes)

Согласованная запись результатов

Несколько воркеров пишут одновременно. Используем INSERT ... ON CONFLICT DO UPDATE с условием по времени, чтобы избежать бесконечной перезаписи.

INSERT INTO scraped_products (site_id, external_id, url, data, scraped_at)
VALUES (%s, %s, %s, %s, NOW())
ON CONFLICT (site_id, external_id)
DO UPDATE SET
    data       = EXCLUDED.data,
    scraped_at = EXCLUDED.scraped_at,
    updated_at = NOW()
WHERE scraped_products.scraped_at < EXCLUDED.scraped_at - INTERVAL '1 hour';

Масштабирование и мониторинг

Горизонтальное масштабирование

Воркеры запускаются в Docker. Горизонтальное масштабирование через docker-compose или Kubernetes HPA. При добавлении новых воркеров нагрузка распределяется автоматически.

services:
  scraper-worker:
    image: scraper:latest
    environment:
      - REDIS_URL=redis://redis:6379
      - DB_URL=postgresql://...
      - PROXY_LIST=/run/secrets/proxies
    deploy:
      replicas: 5
    restart: unless-stopped

Мониторинг прогресса

Координатор ведёт счётчики в Redis: total, done, failed. Расчётное время окончания простое. Дашборд (BullMQ Board) показывает активные задачи и скорость обработки.

Типичные конфигурации и производительность

Типичные проблемы и решения

Что входит в работу и этапы реализации

Мы предоставляем: архитектурную схему, настройку очередей (Redis), выбор и интеграцию прокси, написание воркеров на Python, дедупликацию через Bloom filter, дашборд мониторинга, документацию и обучение вашей команды. Система тестируется под вашу нагрузку.

Этапы:

1. Анализ целевого сайта и требований к данным.
2. Проектирование архитектуры: выбор стека (Redis, PostgreSQL, Python).
3. Настройка очереди и воркеров.
4. Тестирование под нагрузкой.
5. Деплой и обучение команды.

Сроки реализации

Базовая система с 2–3 воркерами, Redis и PostgreSQL: 8–10 рабочих дней. Добавление динамической ротации прокси, Bloom filter, автомасштабирования и дашборда: ещё 5–7 дней. Полное решение под ключ — до 3 недель.

Почему стоит выбрать нашу реализацию?

Мы разработали и внедрили подобные системы для 15+ клиентов, работаем на рынке более 5 лет. Гарантируем стабильность при пиковых нагрузках. Свяжитесь с нами, чтобы обсудить ваш проект. Получите консультацию инженера. Закажите внедрение распределённого парсинга.

Услуги бэкенд-разработки: Laravel, Node.js, Go, Django, PostgreSQL

На production-сервере в 3:14 ночи очередь Laravel Jobs перестала обрабатываться. 40 000 необработанных задач в Redis. Причина: worker упал из-за memory leak в одном из Jobs (утечка через статическую переменную в Eloquent observer), supervisor не перезапустил его из-за misconfigured stopwaitsecs. Это не гипотетический сценарий — это вторник. Мы разбирали такой инцидент на проекте с нагрузкой 500 RPS: диагностика заняла 4 часа, фикс — 20 минут. Чтобы вы не теряли деньги на простоях, предлагаем услуги бэкенд-разработки с акцентом на production-grade надёжность. Оценим ваш проект за 2 дня.

Backend — это то, что работает когда никто не смотрит. Или не работает. Гарантируем, что у вас будет первый вариант.

Что мы делаем с первого дня правильно

Service Layer поверх Fat Controllers. Controller получает HTTP-запрос, валидирует его через Form Request, передаёт данные в Service, возвращает ответ. Бизнес-логика в Service, не в Controller. Это звучит банально, но большинство legacy-проектов — это контроллеры по 500 строк с SQL-запросами внутри.

Repository Pattern используем осторожно. Если вы просто оборачиваете Model::where(...) в метод репозитория — это бойлерплейт без пользы. Repository оправдан когда: нужно абстрагироваться от источника данных (БД + кеш + внешний API) или когда логика запросов достаточно сложна для изоляции.

Jobs, Events, Listeners. Всё, что можно сделать асинхронно — делаем асинхронно. Отправка email, генерация PDF, синхронизация с внешним API, пересчёт агрегатов — в Queue. Laravel Horizon для мониторинга очередей в Redis: видно throughput, failed jobs, время обработки по очередям.

Как Octane справляется с высокой нагрузкой

Laravel Octane с RoadRunner или Swoole держит приложение в памяти между запросами — убирает overhead bootstrap (загрузка конфигов, автозагрузка классов) на каждый HTTP-запрос. Прирост: 3–8x на синтетических бенчмарках, 2–4x на реальных приложениях. Важно: нельзя хранить состояние между запросами в статических переменных — это приводит именно к таким инцидентам, как в начале. Применяем это в проектах с >1000 RPS.

Что делать с N+1 запросами

N+1 — самая распространённая причина медленных страниц в Laravel-приложениях. Стандартная история: страница работала нормально на dev с 10 записями, на production с 10 000 — 8-секундная загрузка.

Laravel Debugbar в dev-окружении показывает количество запросов на страницу. Более 20 запросов на одну страницу — сигнал для audit.

Model::preventLazyLoading(! app()->isProduction());

Telescope для профилирования в staging: логирует все запросы, jobs, mail, notifications с детализацией по времени. Цифры: после внедрения eager loading время загрузки страницы падает с 8 с до 0.3 с — в 27 раз.

PostgreSQL: индексы, которые реально нужны

PostgreSQL 14+ — основная БД на всех проектах. Используем связку PgBouncer + PostgreSQL. Опыт 10+ лет, более 50 backend-проектов, 5 лет на рынке.

Как PostgreSQL помогает избежать медленных запросов

Composite indexes для частых WHERE + ORDER BY. Если у вас WHERE user_id = ? AND status = ? ORDER BY created_at DESC — нужен (user_id, status, created_at DESC). Индекс по (user_id) отдельно плохо помогает с сортировкой.

Partial indexes. Если 95% запросов идут по WHERE status = 'active':

CREATE INDEX idx_orders_active ON orders (created_at DESC)
WHERE status = 'active';

Индекс маленький, быстрый, покрывает основную нагрузку.

GIN-индексы для JSONB и массивов. @> оператор без GIN-индекса — seq scan. С индексом — быстро даже на миллионах записей.

GIN для full-text search. to_tsvector + GIN вместо LIKE '%query%'. LIKE без индекса — всегда seq scan. С pg_trgm extension и gin_trgm_ops — поддержка LIKE с индексом, полезно для CRM-поиска по частичному совпадению.

Connection pooling: почему важнее чем кажется

Rails, Laravel, Django открывают новое соединение с PostgreSQL на каждый PHP/Python процесс. На 100 воркерах — 100 соединений. PostgreSQL начинает деградировать от 200–300 активных соединений — overhead на управление соединениями становится значительным.

PgBouncer — connection pooler перед PostgreSQL. Режим transaction pooling: соединение с PostgreSQL занято только на время транзакции, между запросами возвращается в пул. 1000 приложений-воркеров → 20–50 реальных соединений к PostgreSQL. Это снижает latency на 40% и уменьшает затраты на хостинг на 30%.

Node.js с Fastify: когда это лучше Laravel

Node.js оправдан для:

• Realtime: WebSocket-серверы, Server-Sent Events, чат, live-обновления
• Streaming: большие файлы, видео, данные потоком
• High I/O concurrency: много параллельных запросов к внешним API без тяжёлой бизнес-логики
• Serverless: Lambda/Cloud Functions — Node.js стартует быстрее PHP

Fastify вместо Express: в 2–3 раза быстрее на benchmarks, встроенная JSON Schema валидация, лучшая TypeScript поддержка, plugin-архитектура.

Типичная архитектура realtime: Laravel — основная бизнес-логика и REST API. Node.js + Socket.io или ws — WebSocket сервер. Laravel публикует события в Redis Pub/Sub, Node.js подписывается и транслирует клиентам. Это разделение позволяет масштабировать WebSocket-сервер независимо от основного приложения.

Go: микросервисы и высокая нагрузка

Go используем для:

• Высоконагруженных микросервисов (> 10 000 RPS)
• Фоновых воркеров с жёсткими требованиями к latency
• Инструментов DevOps и CLI
• gRPC-сервисов в микросервисной архитектуре

Goroutines — дешевле OS-потоков в тысячи раз. 10 000 конкурентных соединений на Go — норма на одном сервере.

Но Go — не волшебная таблетка. Разработка медленнее чем на Laravel: больше бойлерплейта, нет ORM уровня Eloquent, обработка ошибок через if err != nil везде. Оправдан только когда производительность — реальное требование, не предположение.

Django и Python backend

Django с DRF (Django REST Framework) — для задач где нужен Python: ML-пайплайны, обработка данных, интеграции с AI-инструментами.

Celery для фоновых задач — аналог Laravel Queue, но сложнее в конфигурации. Celery Beat для cron-задач.

Django ORM vs raw SQL: ORM удобен для CRUD. Для аналитических запросов с несколькими JOIN, оконными функциями и CTE — connection.execute() с raw SQL читаемее и предсказуемее.

Redis: не только кеш

Redis в наших проектах выполняет несколько ролей:

Redis Cluster для горизонтального масштабирования. Sentinel для автоматического failover на standalone установках.

Деплой и инфраструктура

Docker + docker-compose — стандарт для локальной разработки и production. Каждый сервис в контейнере: PHP-FPM/Octane, Nginx, PostgreSQL, Redis, Queue Worker, Scheduler.

CI/CD через GitHub Actions:

1. Прогон тестов (PHPUnit / Pest, Vitest, Playwright)
2. Сборка Docker-образа
3. Push в Container Registry
4. Deploy: docker pull → docker-compose up -d на сервере, или Kubernetes rolling update

Zero-downtime deploy для Laravel: php artisan down --secret=TOKEN не нужен при правильной настройке. Стратегия: новый контейнер стартует рядом со старым, Nginx переключает трафик после health check, старый контейнер останавливается.

Мониторинг: Sentry для exception tracking с alerting в Slack/Telegram. Grafana + Prometheus (или Grafana Cloud) для метрик: CPU, memory, request rate, queue depth, database connection count. Алерт на: error rate > 1%, p99 latency > 2s, queue depth > 1000 jobs.

Что входит в работу под ключ

• Архитектурное проектирование (документация API, схема БД, диаграмма сервисов)
• Реализация по согласованному ТЗ с code review
• Настройка CI/CD, мониторинга, алертинга
• Нагрузочное тестирование (k6, wrk) с отчётом
• Передача исходников, доступов, инструкция по деплою
• Обучение команды заказчика (2-3 сессии)
• Гарантийная поддержка 1 месяц после сдачи

Ориентиры по срокам

Стоимость рассчитывается индивидуально после анализа требований к нагрузке, интеграциям и бизнес-логике. Типичный бюджет backend-проекта — от 500 000 до 2 000 000 рублей в зависимости от сложности. Свяжитесь с нами для бесплатного аудита вашего текущего backend — получите план оптимизации за 2 дня. Закажите консультацию.