正文

Java 爬虫学习

IP云
IP云V管理员/6 阅读
11/01
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

Java爬虫领域最强大的框架是JSoup：可直接解析具体的URL地址（即解析对应的HTML），提供了一套强大的API，包括可以通过DOM、CSS选择器，即类似jQuery方式来取出和操作数据。主要功能有：

  • 从给定的URL、文件、字符串中，获得HTML代码。
  • 然后通过DOM、CSS选择器（类jQuery方式）来查找、取出数据：先找到HTML元素，然后获取其属性、文本等。

API初步学习：

上面提到了三种方式，获取HTML文档（JSoup的Document对象的结构是：<html><head></head><body></body></html>）：

1、通过字符串：String html="hello"; Document doc = Jsoup.parse(html);//（此时JSoup会把hello放在doc对象中的body中。如果字符串是一个完整的html文档，那么doc对象将以字符串的html结构为准）。

2、获取URL的HTML文档（注意：这种方式下，只有当调用get或post方法时，才真正发送请求）：

//通过URL获得连接：Connection对象
Connection conn = Jsoup.connect("http://www.baidu.com");
//以下为主要方法，多数返回Connection
conn.data("query", "Java"); // 请求参数
conn.userAgent("I ’ m jsoup"); // 设置 User-Agent
conn.cookie("auth", "token"); // 设置 cookie
conn.timeout(3000); // 设置连接超时时间
//发送请求，获得HTML文档：Document对象
Document doc = conn.get();
Document doc = conn.post();

获取元素：

1、通过DOM方式（与纯JavaScript方式相同）：

//获取文档级信息，如：
String title = doc.title();
//获取单个HTML元素，如：<div id="content"></div>
Element content = doc.getElementById("content");
//获取多个元素，如：<a href="http://www.qunyh.cn"></a> <a href="http://cn.bing.com"></a>
Elements links = doc.getElementsByTag("a");

2、类似于jQuery的方式，这里是将$换成了select方法：

//select的参数是类似于jQuery的选择器selector
Elements allP = doc.select("p");
Element firstP = allP.first();
Element oneP = allP.get(1);//从0开始
//操作元素：
for (Element p : allP) {
//操纵元素：这里就类似于jQuery
String text = p.text();
}

当然JSoup只是模仿jQuery的方便性，并不具备jQuery的所有功能，例如jQuery的插件肯定是无法在JSoup中使用。因此如果对JS掌握很好，选择Node.js+MongoDB来处理就比较有优势（即相互之间的支持度比较大）。如果熟悉Java，那么就可以选择JSoup+MySql+Quartz，也是非常好用的（全程java实现，省心方便），再配合Java调度器Quartz，就可实现一个完整的爬虫了。

爬虫框架 Gecco：

Gecco 是用 Java 实现的，轻量化，面向主题的爬虫，与 Nutch 这种面向搜索引擎的通用爬虫不同：

  • 通用爬虫通常关注三个问题：下载、排序、索引。
  • 主题爬虫则关注：下载、内容抽取、灵活的业务逻辑处理。

Gecco 的目标：提供一个完善的主题爬虫框架：简化下载和内容抽取的开发；利用管道过滤器模式，提供灵活的内容清洗和持久化处理模式。故而开发可以集中精力在业务主题方面的逻辑、内容处理。

学习一个框架，首先要了解到它的用途何在：

  • 简单易用，使用 jQuery 的 Selector 风格抽取元素。
  • 支持页面中的异步 Ajax 请求。
  • 支持页面中的 JavaScript 变量抽取。
  • 利用 Redis 实现分布式抓取，可参考 Gecco-Redis。
  • 支持下载时 UserAgent 随机选取。
  • 支持下载代理服务器随机选取。
  • 支持结合 Spring 开发业务逻辑，参考 Gecco-Spring。
  • 支持 htmlUnit 扩展，参考 Gecco-htmlUnit。
  • 支持插件扩展机制。

一分钟你就可以写一个简单爬虫：

先将一个基本的程序撂出来（内容以 json 格式在 console 输出）：

@Gecco(matchUrl = "https://github.com/{user}/{project}", pipelines = "consolePipeline")
public class Tester implements HtmlBean { private static final long serialVersionUID = 4538118606557597719L; @RequestParameter("user")
private String user;
@RequestParameter("project")
private String project; @Text
@HtmlField(cssPath = ".repository-meta-content .mr-2")
private String title; @Text
@HtmlField(cssPath = ".pagehead-actions li:nth-child(2) .social-count")
private int star; @Text
@HtmlField(cssPath = ".pagehead-actions li:nth-child(3) .social-count")
private int fork; @Html
@HtmlField(cssPath = ".entry-content")
private String readme; // 此处略去 getter and setter public static void main(String[] args) {
GeccoEngine.create()
// Geeco搜索的包路径：即使用了@Geeco注解的类所在的包路径
.classpath("com.jackie.json.controller")
// 最开始抓取的页面地址：简单的就是一个，当然也有可变参数列表的重载（即接受多个url地址参数）
.start("https://github.com/xtuhcy/gecco")
// 开启几个爬虫线程
.thread(1)
// 对每个爬虫而言，每次抓取完一个请求之后，再次请求的间隔时间
.interval(2000)
// 与上面的start方法用途不同，用于启动爬虫线程：start方法非阻塞式运行爬虫;run方法则是阻塞式
.start();
}
}

代码说明：

  • 首先爬虫类 implements 了一个 HtmlBean 接口：说明了该爬虫是一个解析 html 页面的爬虫（还可以支持 json 格式的解析，即 JsonBean）。
  • @Gecco 注解：告知爬虫，匹配的 url 格式（matchUrl）和内容抽取后的 bean 处理类 pipelines（采用管道过滤器模式，可以指定多个 pipeline 处理类。例如指定为 consolePipeline，则输出在 console 中）。
  • @RequestParamter：注入请求过的 url 中匹配的请求参数，如@RequestParamer("user") 则匹配到 url 中的 {user}。
  • @HtmlField：表示抽取 html 中的元素，其中 cssPath 采用类似于 jQuery 的 css selector 的方式选取元素。
  • @Text：表示获取 @HtmlField 抽取元素的 Text 内容。@Html：表示获取对应的 Html 内容（默认 @Html）。注意的是：若抽取的元素中没有 html 代码，则不能指定为 @Html，否则会报错；若有 html 代码，则不能指定为 @Text，否则不能获取任何内容，将会输出为空字符串。
  • GeccoEngine：爬虫引擎类，通过 create() 初始化，通过 start() / run() 运行。还可以配置一些启动参数，如上代码所示，后面也会详细介绍。

软件总体架构（爬虫引擎的架构）：

如图：

简单介绍：

  • GeccoEngine：爬虫引擎，每个爬虫引擎最好是一个独立进程。在分布式爬虫场景下，建议每台爬虫服务器（物理机、虚拟机）只运行一个 GeccoEngine。爬虫引擎主要包括Scheduler、Downloader、Spider、SpiderFactory、PipelineFactory 5个模块。
  • Scheduler：

GeccoEngine 的详细介绍：

Gecco 如何运行，下面是最基本的启动方法：

GeccoEngine.create()
// classpath是必填项
.classpath("com.geccocrawler.gecco.demo")
// 初始请求地址
.start("https://github.com/xtuhcy/gecco")
.start();

GeccoEngine 的基本配置：

  • loop(boolean)：表示是否循环抓取，默认为 false。
  • thread(int)：表示开启的爬虫线程数量，默认是1。值得注意的是，线程数量要小于等于 start 方法中指定的 url 数量。
  • interval(int)：表示请求间隔时间，单位是毫秒 ms。假设设置的值是 x 秒，那么系统会把间隔时间随机在 [ x - 1, x + 1] 这个区间内（1 即指 1 秒）。例如，设置为 2000 ms，那么最终的间隔时间将会在 1000 ms ~ 3000 ms 内随机。
  • mobile(bollean)：表示使用移动端还是 pc 端的 UserAgent。默认为 false，使用 pc 端的 UserAgent。
  • debug(boolean)：是否开启 debug 模式，即如果开启 debug 模式，那么将会在控制台输出 JSoup 元素抽取的日志 —— 如果出了问题才能在日志中找到原因。
  • pipelineFactory(PipelineFactory)：设置自定义的 pipelineFactory，通过实现 PipelineFactory 接口，自定义 pipelineFactory 类。
  • scheduler(Scheduler)：设置自定义的请求队列管理器 Scheduler。

非阻塞式启动和阻塞式启动：

  • start()：非阻塞式启动，即 GeccoEngine 会单独启动线程运行。推荐以该方式运行，线程模式如下：MainThread ——> GeccoEngineThread ——> SpiderThread。
  • run()：阻塞式启动，GeccoEngine 在主线程中启动并运行。非循环模式 GeccoEngine 需要等待其他爬虫线程运行完毕后，run() 方法才会退出。线程模型如下：GeccoEngineThread（即在主线程中）——> SpiderThread。

Gecco 如何匹配 URL：

matchUrl 的作用：告知 Gecco，这种格式的 url 对应的网页将会被渲染成当前指定的 SpiderBean（如包装成 HtmlBean 的对象）。matchUrl 模糊匹配模式中的 {} 可以匹配任意非空字符串，除了 "/"。

如果不写 matchUrl，则为任意匹配模式，那么任意的 url 都会被匹配，可用作通用爬虫，例如官网给出的 CommonClawer。

说说下载：

下载引擎：爬虫最基本的能力就是发起 http 请求，然后下载网页。Gecco 默认采用 httpClientDownloader（httpclient4）作为下载引擎。通过实现 downloader 接口，可以自定义设置下载引擎。例如：

@Gecco(matchUrl="https://github.com/{user}/{project}", pipelines="consolePipeline", downloader="htmlUnitDownloder")

HttpRequest 和 HttpReponse：一个表示下载请求，一个表示下载响应。爬虫会模拟浏览器，将下载请求包装成 GET 或 POST 请求，分别对应 HttpGetRequest、HttpPostRequest 类。

Gecco 的请求可以支持：

  • 模拟 userAgent，并支持 userAgent 的随机轮询。在 classpath 的根目录下定义 userAgents 文件，每行代表一个 UserAgent。
  • cookie 定义：request.addCookie(String name, String value)，可模拟用户登录。
  • 代理服务器的随机轮询。在 classpath 的根目录下定义 proxys 文件，每行代表一个代理服务器的主机和端口，如 127.0.0.1:8888。

下载地址管理：

爬虫通常需要一个请求队列管理器 Scheduler，负责下载地址的管理：

Gecco 使用 StartScheduler 管理初始地址，StartScheduler 内部采用一个阻塞的 FIFO 队列（即严格的 FIFO，一个线程抓取完一个地址之后，才会去抓另一个地址）；初始地址通常会派生出很多其他待抓取的地址（例如列表页是初始地址的集合页面，详情页是派生的地址），并用 SpiderScheduler 管理派生的地址，SpiderScheduler 内部采用线程安全的非阻塞 FIFO 队列（不严格的先进先出）。

这种设计使得 Gecco 对初始地址采用了深度遍历（理解还不够深刻）？的策略；对派生的地址采用了广度遍历的策略（如何派生参考下面的 “派生地址“）。此外，Gecco 的分布式抓取也是通过 Scheduler 完成，准确的说是通过实现不同的StartScheduler，来将初始地址分配到不同的服务器中来完成；Gecco 分布式抓取默认采用 redis 来实现，具体参考 gecco-redis 项目。

派生地址：

Gecco 派生地址的方式有两种：

一是使用注解，如下：

@Href(click = true)
@HtmlField(cssPath = "...")
private String detailUrl;

派生地址如同其他内容一样，需要使用 @HtmlField 注解，从初始地址的页面中抽取。不同的是 @Href 注解，当参数 click 为 true 时，抽取出来的 url 会继续抓取。

二是显式的加入 SpiderScheduler 的方法，如：

DeriveSchedulerContext.into(request.subRequest("subUrl"));

上面的 HttpRequest 对象可以通过 @Request 注解获得，然后通过该对象的 subRequest 方法生成对派生地址的请求，然后加入到 SpiderScheduler 队列中。可以在相应的 pipeline 类中对请求的增加进行过滤。

初始地址的配置：

可以在 classpath 根目录下，放置 starts.json 配置文件，可配置多个初始地址，如下：

[
{
"charset": "GBK",
"url": "http://item.jd.com/123.html"
},
{
"url": "https://github.com/xtuhcy/gecco"
}
]

此外，如果要设置的初始地址不多，则可以如上面的程序，直接在 GeccoEngine.start(String ...) 方法中添加。

BeforeDownload 和 AfterDownload：

有一些特殊场景，可能会需要在下载的前后做一些处理，处理之后再传递给 pipeline 输出。如下：

@GeccoClass(CruiseDetail.class)
public class CruiseDetailBeforeDownload implements BeforeDownload { @Override
public void process(HttpRequest request) { }}

上面这个类是针对 CruiseDetail 这个 bean 的下载之前的自定义预处理。同理，下载后如下：

@GeccoClass(CruiseRedirect.class)
public class CruiseRedirectAfterDownload implements AfterDownload { @Override
public void process(HttpRequest request, HttpResponse response) { }}

使用 HtmlUnit 作为下载引擎：

Gecco 通过扩展 downloader 实现了对 htmlUnit 的支持，如下（使用详情参照 gecco-htmunit 项目）：

<dependency>
<groupId>com.geccocrawler</groupId>
<artifactId>gecco-htmlunit</artifactId>
<version>1.0.9</version>
</dependency>

找资料的时候发现了新的、不错的爬虫框架（以后有时间尝试）：
Gecco Crawler：
Gecco是一款用java语言开发的轻量化的易用的网络爬虫，不同于Nutch这样的面向搜索引擎的通用爬虫，Gecco是面向主题的爬虫。
https://github.com/xtuhcy/gecco
https://xtuhcy.gitbooks.io/geccocrawler/content/index.html
https://my.oschina.net/u/2336761/blog/688534
模板代码生成器：J2ee template（由JSoup开发而成，可借鉴其如何开发的爬虫）：
https://www.oschina.net/p/jeetemp