設(shè)計(jì)和實(shí)現(xiàn)一款輕量級(jí)的爬蟲框架
說起爬蟲，大家能夠想起 Python 里赫赫有名的 Scrapy 框架， 在本文中我們參考這個(gè)設(shè)計(jì)思想使用 Java 語(yǔ)言來實(shí)現(xiàn)一款自己的爬蟲框（lun）架（zi）。 我們從起點(diǎn)一步一步分析爬蟲框架的誕生過程。
我把這個(gè)爬蟲框架的源碼放在 github 上，里面有幾個(gè)例子可以運(yùn)行。
關(guān)于爬蟲的一切
下面我們來介紹什么是爬蟲？以及爬蟲框架的設(shè)計(jì)和遇到的問題。
什么是爬蟲？
“爬蟲”不是一只生活在泥土里的小蟲子，網(wǎng)絡(luò)爬蟲（web crawler），也叫網(wǎng)絡(luò)蜘蛛（spider），是一種用來自動(dòng)瀏覽網(wǎng)絡(luò)上內(nèi)容的機(jī)器人。 爬蟲訪問網(wǎng)站的過程會(huì)消耗目標(biāo)系統(tǒng)資源，很多網(wǎng)站不允許被爬蟲抓取（這就是你遇到過的 robots.txt 文件， 這個(gè)文件可以要求機(jī)器人只對(duì)網(wǎng)站的一部分進(jìn)行索引，或完全不作處理）。 因此在訪問大量頁(yè)面時(shí)，爬蟲需要考慮到規(guī)劃、負(fù)載，還需要講“禮貌”（大兄弟，慢點(diǎn)）。
互聯(lián)網(wǎng)上的頁(yè)面極多，即使是***的爬蟲系統(tǒng)也無法做出完整的索引。因此在公元2000年之前的萬維網(wǎng)出現(xiàn)初期，搜索引擎經(jīng)常找不到多少相關(guān)結(jié)果。 現(xiàn)在的搜索引擎在這方面已經(jīng)進(jìn)步很多，能夠即刻給出高質(zhì)量結(jié)果。
網(wǎng)絡(luò)爬蟲會(huì)遇到的問題
既然有人想抓取，就會(huì)有人想防御。網(wǎng)絡(luò)爬蟲在運(yùn)行的過程中會(huì)遇到一些阻礙，在業(yè)內(nèi)稱之為 反爬蟲策略 我們來列出一些常見的。
- 訪問頻率限制
- Header 頭信息校驗(yàn)
- 動(dòng)態(tài)頁(yè)面生成
- IP 地址限制
- Cookie 限制(或稱為登錄限制)
- 驗(yàn)證碼限制
- 等等…
這些是傳統(tǒng)的反爬蟲手段，當(dāng)然未來也會(huì)更加先進(jìn)，技術(shù)的革新永遠(yuǎn)會(huì)帶動(dòng)多個(gè)行業(yè)的發(fā)展，畢竟 AI 的時(shí)代已經(jīng)到來， 爬蟲和反爬蟲的斗爭(zhēng)一直持續(xù)進(jìn)行。
爬蟲框架要考慮什么
設(shè)計(jì)我們的框架
我們要設(shè)計(jì)一款爬蟲框架，是基于 Scrapy 的設(shè)計(jì)思路來完成的，先來看看在沒有爬蟲框架的時(shí)候我們是如何抓取頁(yè)面信息的。 一個(gè)常見的例子是使用 HttpClient 包或者 Jsoup 來處理，對(duì)于一個(gè)簡(jiǎn)單的小爬蟲而言這足夠了。
下面來演示一段沒有爬蟲框架的時(shí)候抓取頁(yè)面的代碼，這是我在網(wǎng)絡(luò)上搜索的
- public class Reptile {
- public static void main(String[] args) {
- //傳入你所要爬取的頁(yè)面地址
- String url1 = "";
- //創(chuàng)建輸入流用于讀取流
- InputStream is = null;
- //包裝流,加快讀取速度
- BufferedReader br = null;
- //用來保存讀取頁(yè)面的數(shù)據(jù).
- StringBuffer html = new StringBuffer();
- //創(chuàng)建臨時(shí)字符串用于保存每一次讀的一行數(shù)據(jù)，然后html調(diào)用append方法寫入temp;
- String temp = "";
- try {
- //獲取URL;
- URL url2 = new URL(url1);
- //打開流，準(zhǔn)備開始讀取數(shù)據(jù);
- is = url2.openStream();
- //將流包裝成字符流，調(diào)用br.readLine()可以提高讀取效率，每次讀取一行;
- br= new BufferedReader(new InputStreamReader(is));
- //讀取數(shù)據(jù),調(diào)用br.readLine()方法每次讀取一行數(shù)據(jù),并賦值給temp,如果沒數(shù)據(jù)則值==null,跳出循環(huán);
- while ((temp = br.readLine()) != null) {
- //將temp的值追加給html,這里注意的時(shí)String跟StringBuffere的區(qū)別前者不是可變的后者是可變的;
- html.append(temp);
- }
- //接下來是關(guān)閉流,防止資源的浪費(fèi);
- if(is != null) {
- is.close();
- is = null;
- }
- //通過Jsoup解析頁(yè)面,生成一個(gè)document對(duì)象;
- Document doc = Jsoup.parse(html.toString());
- //通過class的名字得到（即XX）,一個(gè)數(shù)組對(duì)象Elements里面有我們想要的數(shù)據(jù),至于這個(gè)div的值呢你打開瀏覽器按下F12就知道了;
- Elements elements = doc.getElementsByClass("XX");
- for (Element element : elements) {
- //打印出每一個(gè)節(jié)點(diǎn)的信息;你可以選擇性的保留你想要的數(shù)據(jù),一般都是獲取個(gè)固定的索引;
- System.out.println(element.text());
- }
- } catch (MalformedURLException e) {
- e.printStackTrace();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
從如此豐富的注釋中我感受到了作者的耐心，我們來分析一下這個(gè)爬蟲在干什么?
- 輸入一個(gè)要爬取的URL地址
- 通過 JDK 原生 API 發(fā)送網(wǎng)絡(luò)請(qǐng)求獲取頁(yè)面信息（這里沒有使用 HttpClient）
- 使用 Jsoup 解析 DOM
- 處理自己需要的數(shù)據(jù)
- 將它們輸出在控制臺(tái)
大概就是這樣的步驟，代碼也非常簡(jiǎn)潔，我們?cè)O(shè)計(jì)框架的目的是將這些流程統(tǒng)一化，把通用的功能進(jìn)行抽象，減少重復(fù)工作。 還有一些沒考慮到的因素添加進(jìn)去，那么設(shè)計(jì)爬蟲框架要有哪些組成呢？
- URL管理
- 網(wǎng)頁(yè)下載器
- 爬蟲調(diào)度器
- 網(wǎng)頁(yè)解析器
- 數(shù)據(jù)處理器
分別來解釋一下每個(gè)組成的作用是什么。
URL管理器
爬蟲框架要處理很多的URL，我們需要設(shè)計(jì)一個(gè)隊(duì)列存儲(chǔ)所有要處理的URL，這種先進(jìn)先出的數(shù)據(jù)結(jié)構(gòu)非常符合這個(gè)需求。 將所有要下載的URL存儲(chǔ)在待處理隊(duì)列中，每次下載會(huì)取出一個(gè)，隊(duì)列中就會(huì)少一個(gè)。我們知道有些URL的下載會(huì)有反爬蟲策略， 所以針對(duì)這些請(qǐng)求需要做一些特殊的設(shè)置，進(jìn)而可以對(duì)URL進(jìn)行封裝抽出 Request。
網(wǎng)頁(yè)下載器
在前面的簡(jiǎn)單例子中可以看出，如果沒有網(wǎng)頁(yè)下載器，用戶就要編寫網(wǎng)絡(luò)請(qǐng)求的處理代碼，這無疑對(duì)每個(gè)URL都是相同的動(dòng)作。 所以在框架設(shè)計(jì)中我們直接加入它就好了，至于使用什么庫(kù)來進(jìn)行下載都是可以的，你可以用 httpclient 也可以用 okhttp， 在本文中我們使用一個(gè)超輕量級(jí)的網(wǎng)絡(luò)請(qǐng)求庫(kù) oh-my-request (沒錯(cuò)，就是在下搞的)。 優(yōu)秀的框架設(shè)計(jì)會(huì)將這個(gè)下載組件置為可替換，提供默認(rèn)的即可。
爬蟲調(diào)度器
調(diào)度器和我們?cè)陂_發(fā) web 應(yīng)用中的控制器是一個(gè)類似的概念，它用于在下載器、解析器之間做流轉(zhuǎn)處理。 解析器可以解析到更多的URL發(fā)送給調(diào)度器，調(diào)度器再次的傳輸給下載器，這樣就會(huì)讓各個(gè)組件有條不紊的進(jìn)行工作。
網(wǎng)頁(yè)解析器
我們知道當(dāng)一個(gè)頁(yè)面下載完成后就是一段 HTML 的 DOM 字符串表示，但還需要提取出真正需要的數(shù)據(jù)， 以前的做法是通過 String 的 API 或者正則表達(dá)式的方式在 DOM 中搜尋，這樣是很麻煩的，框架 應(yīng)該提供一種合理、常用、方便的方式來幫助用戶完成提取數(shù)據(jù)這件事兒。常用的手段是通過 xpath 或者 css 選擇器從 DOM 中進(jìn)行提取，而且學(xué)習(xí)這項(xiàng)技能在幾乎所有的爬蟲框架中都是適用的。
數(shù)據(jù)處理器
普通的爬蟲程序中是把 網(wǎng)頁(yè)解析器 和 數(shù)據(jù)處理器 合在一起的，解析到數(shù)據(jù)后馬上處理。 在一個(gè)標(biāo)準(zhǔn)化的爬蟲程序中，他們應(yīng)該是各司其職的，我們先通過解析器將需要的數(shù)據(jù)解析出來，可能是封裝成對(duì)象。 然后傳遞給數(shù)據(jù)處理器，處理器接收到數(shù)據(jù)后可能是存儲(chǔ)到數(shù)據(jù)庫(kù)，也可能通過接口發(fā)送給老王。
基本特性
上面說了這么多，我們?cè)O(shè)計(jì)的爬蟲框架有以下幾個(gè)特性，沒有做到大而全，可以稱得上輕量迷你挺好用。
- 易于定制: 很多站點(diǎn)的下載頻率、瀏覽器要求是不同的，爬蟲框架需要提供此處擴(kuò)展配置
- 多線程下載: 當(dāng)CPU核數(shù)多的時(shí)候多線程下載可以更快完成任務(wù)
- 支持 XPath 和 CSS 選擇器解析
架構(gòu)圖
整個(gè)流程和 Scrapy 是一致的，但簡(jiǎn)化了一些操作
- 引擎(Engine): 用來處理整個(gè)系統(tǒng)的數(shù)據(jù)流處理, 觸發(fā)事務(wù)(框架核心)
- 調(diào)度器(Scheduler): 用來接受引擎發(fā)過來的請(qǐng)求, 壓入隊(duì)列中, 并在引擎再次請(qǐng)求的時(shí)候返回. 可以想像成一個(gè)URL（抓取網(wǎng)頁(yè)的網(wǎng)址或者說是鏈接）的優(yōu)先隊(duì)列, 由它來決定下一個(gè)要抓取的網(wǎng)址是什么, 同時(shí)去除重復(fù)的網(wǎng)址
- 下載器(Downloader): 用于下載網(wǎng)頁(yè)內(nèi)容, 并將網(wǎng)頁(yè)內(nèi)容返回給調(diào)度器
- 爬蟲(Spiders): 爬蟲是主要干活的, 用于從特定的網(wǎng)頁(yè)中提取自己需要的信息, 即所謂的實(shí)體(Item)。 用戶也可以從中提取出鏈接，讓框架繼續(xù)抓取下一個(gè)頁(yè)面
- 項(xiàng)目管道(Pipeline): 負(fù)責(zé)處理爬蟲從網(wǎng)頁(yè)中抽取的實(shí)體，主要的功能是持久化實(shí)體、驗(yàn)證實(shí)體的有效性、清除不需要的信息。 當(dāng)頁(yè)面被爬蟲解析后，將被發(fā)送到項(xiàng)目管道，并經(jīng)過幾個(gè)特定的次序處理數(shù)據(jù)。
執(zhí)行流程圖
- 首先，引擎從調(diào)度器中取出一個(gè)鏈接(URL)用于接下來的抓取
- 引擎把URL封裝成一個(gè)請(qǐng)求(Request)傳給下載器，下載器把資源下載下來，并封裝成應(yīng)答包(Response)
- 然后，爬蟲解析Response
- 若是解析出實(shí)體（Item）,則交給實(shí)體管道進(jìn)行進(jìn)一步的處理。
- 若是解析出的是鏈接（URL）,則把URL交給Scheduler等待抓取
項(xiàng)目結(jié)構(gòu)
該項(xiàng)目使用 Maven3、Java8 進(jìn)行構(gòu)建，代碼結(jié)構(gòu)如下：
- .
- └── elves
- ├── Elves.java
- ├── ElvesEngine.java
- ├── config
- ├── download
- ├── event
- ├── pipeline
- ├── request
- ├── response
- ├── scheduler
- ├── spider
- └── utils
編碼要點(diǎn)
前面設(shè)計(jì)思路明白之后，編程不過是順手之作，至于寫的如何考量的是程序員對(duì)編程語(yǔ)言的使用熟練度以及架構(gòu)上的思考， 優(yōu)秀的代碼是經(jīng)驗(yàn)和優(yōu)化而來的，下面我們來看幾個(gè)框架中的代碼示例。
使用觀察者模式的思想來實(shí)現(xiàn)基于事件驅(qū)動(dòng)的功能
- public enum ElvesEvent {
- GLOBAL_STARTED,
- SPIDER_STARTED
- }
- public class EventManager {
- private static final Map<ElvesEvent, List<Consumer<Config>>> elvesEventConsumerMap = new HashMap<>();
- // 注冊(cè)事件
- public static void registerEvent(ElvesEvent elvesEvent, Consumer<Config> consumer) {
- List<Consumer<Config>> consumers = elvesEventConsumerMap.get(elvesEvent);
- if (null == consumers) {
- consumers = new ArrayList<>();
- }
- consumers.add(consumer);
- elvesEventConsumerMap.put(elvesEvent, consumers);
- }
- // 執(zhí)行事件
- public static void fireEvent(ElvesEvent elvesEvent, Config config) {
- Optional.ofNullable(elvesEventConsumerMap.get(elvesEvent)).ifPresent(consumers -> consumers.forEach(consumer -> consumer.accept(config)));
- }
- }
這段代碼中使用一個(gè) Map 來存儲(chǔ)所有事件，提供兩個(gè)方法：注冊(cè)一個(gè)事件、執(zhí)行某個(gè)事件。
阻塞隊(duì)列存儲(chǔ)請(qǐng)求響應(yīng)
- public class Scheduler {
- private BlockingQueue<Request> pending = new LinkedBlockingQueue<>();
- private BlockingQueue<Response> result = new LinkedBlockingQueue<>();
- public void addRequest(Request request) {
- try {
- this.pending.put(request);
- } catch (InterruptedException e) {
- log.error("向調(diào)度器添加 Request 出錯(cuò)", e);
- }
- }
- public void addResponse(Response response) {
- try {
- this.result.put(response);
- } catch (InterruptedException e) {
- log.error("向調(diào)度器添加 Response 出錯(cuò)", e);
- }
- }
- public boolean hasRequest() {
- return pending.size() > 0;
- }
- public Request nextRequest() {
- try {
- return pending.take();
- } catch (InterruptedException e) {
- log.error("從調(diào)度器獲取 Request 出錯(cuò)", e);
- return null;
- }
- }
- public boolean hasResponse() {
- return result.size() > 0;
- }
- public Response nextResponse() {
- try {
- return result.take();
- } catch (InterruptedException e) {
- log.error("從調(diào)度器獲取 Response 出錯(cuò)", e);
- return null;
- }
- }
- public void addRequests(List<Request> requests) {
- requests.forEach(this::addRequest);
- }
- }
pending 存儲(chǔ)等待處理的URL請(qǐng)求，result 存儲(chǔ)下載成功的響應(yīng)，調(diào)度器負(fù)責(zé)請(qǐng)求和響應(yīng)的獲取和添加流轉(zhuǎn)。
舉個(gè)栗子
設(shè)計(jì)好我們的爬蟲框架后來試一下吧，這個(gè)例子我們來爬取豆瓣電影的標(biāo)題。豆瓣電影中有很多分類，我們可以選擇幾個(gè)作為開始抓取的 URL。
- public class DoubanSpider extends Spider {
- public DoubanSpider(String name) {
- super(name);
- this.startUrls(
- "https://movie.douban.com/tag/愛情",
- "https://movie.douban.com/tag/喜劇",
- "https://movie.douban.com/tag/動(dòng)畫",
- "https://movie.douban.com/tag/動(dòng)作",
- "https://movie.douban.com/tag/史詩(shī)",
- "https://movie.douban.com/tag/犯罪");
- }
- @Override
- public void onStart(Config config) {
- this.addPipeline((Pipeline<List<String>>) (item, request) -> log.info("保存到文件: {}", item));
- }
- public Result parse(Response response) {
- Result<List<String>> result = new Result<>();
- Elements elements = response.body().css("#content table .pl2 a");
- List<String> titles = elements.stream().map(Element::text).collect(Collectors.toList());
- result.setItem(titles);
- // 獲取下一頁(yè) URL
- Elements nextEl = response.body().css("#content > div > div.article > div.paginator > span.next > a");
- if (null != nextEl && nextEl.size() > 0) {
- String nextPageUrl = nextEl.get(0).attr("href");
- Request nextReq = this.makeRequest(nextPageUrl, this::parse);
- result.addRequest(nextReq);
- }
- return result;
- }
- }
- public static void main(String[] args) {
- DoubanSpider doubanSpider = new DoubanSpider("豆瓣電影");
- Elves.me(doubanSpider, Config.me()).start();
- }
這段代碼中在 onStart 方法是爬蟲啟動(dòng)時(shí)的一個(gè)事件，會(huì)在啟動(dòng)該爬蟲的時(shí)候執(zhí)行，在這里我們?cè)O(shè)置了啟動(dòng)要抓取的URL列表。 然后添加了一個(gè)數(shù)據(jù)處理的 Pipeline，在這里處理管道中只進(jìn)行了輸出，你也可以存儲(chǔ)。
在 parse 方法中做了兩件事，首先解析當(dāng)前抓取到的所有電影標(biāo)題，將標(biāo)題數(shù)據(jù)收集為 List 傳遞給 Pipeline； 其次根據(jù)當(dāng)前頁(yè)面繼續(xù)抓取下一頁(yè)，將下一頁(yè)請(qǐng)求傳遞給調(diào)度器，由調(diào)度器轉(zhuǎn)發(fā)給下載器。這里我們使用一個(gè) Result 對(duì)象接收。
總結(jié)
設(shè)計(jì)一款爬蟲框架的基本要點(diǎn)在文中已經(jīng)闡述，要做的更好還有很多細(xì)節(jié)需要打磨，比如分布式、容錯(cuò)恢復(fù)、動(dòng)態(tài)頁(yè)面抓取等問題。 歡迎在 elves 中提交你的意見。
參考文獻(xiàn)
