| 注册
请输入搜索内容

热门搜索

Java Linux MySQL PHP JavaScript Hibernate jQuery Nginx
StephaineRF
5年前发布

JLiteSpider:轻量级的分布式 Java 爬虫框架

   <h2><strong>JLiteSpider</strong></h2>    <p><strong>A lite distributed Java spider framework.</strong></p>    <p><strong>这是一个轻量级的分布式java爬虫框架</strong></p>    <h3><strong>特点</strong></h3>    <p>这是一个强大,但又轻量级的分布式爬虫框架。jlitespider天生具有分布式的特点,各个worker之间需要通过一个或者多个消息队列来连接。消息队列我的选择是 rabbitmq 。worker和消息之间可以是一对一,一对多,多对一或多对多的关系,这些都可以自由而又简单地配置。消息队列中存储的消息分为四种:url,页面源码,解析后的结果以及自定义的消息。同样的,worker的工作也分为四部分:下载页面,解析页面,数据持久化和自定义的操作。</p>    <p>用户只需要在配置文件中,规定好worker和消息队列之间的关系。接着在代码中,定义好worker的四部分工作。即可完成爬虫的编写。</p>    <p>总体的使用流程如下:</p>    <ul>     <li>启动rabbitmq。</li>     <li>在配置文件中定义worker和消息队列之间的关系。</li>     <li>在代码中编写worker的工作。</li>     <li>最后,启动爬虫。</li>    </ul>    <h3><strong>安装</strong></h3>    <p>使用maven:</p>    <pre>  <code class="language-java"><dependency>    <groupId>com.github.luohaha</groupId>    <artifactId>jlitespider</artifactId>    <version>0.4.1</version>  </dependency></code></pre>    <p>直接下载jar包:</p>    <h3><strong>Worker和消息队列之间关系</strong></h3>    <p>worker和消息队列之间的关系可以是一对一,多对一,一对多,多对多,都是可以配置的。在配置文件中,写上要监听的消息队列和要发送的消息队列。例如:</p>    <pre>  <code class="language-java">{      "workerid" : 2,      "mq" : [{          "name" : "one",          "host" : "localhost",          "port" : 5672,          "qos" : 3  ,          "queue" : "url"      },      {          "name" : "two",          "host" : "localhost",          "port" : 5672,          "qos" : 3  ,          "queue" : "hello"      }],      "sendto" : ["two"],      "recvfrom" : ["one", "two"]  }</code></pre>    <p>workerid : worker的id号</p>    <p>mq : 各个消息队列所在的位置,和配置信息。 name 字段为这个消息队列的唯一标识符,供消息队列的获取使用。 host 为消息队列所在的主机ip, port 为消息队列的监听端口号(rabbitmq中默认为5672)。 qos 为消息队列每次将消息发给worker时的消息个数。 queue 为消息队列的名字。 host + port + queue 可以理解为是消息队列的唯一地址。</p>    <p>sendto : 要发送到的消息队列,填入的信息为 mq 中的 name 字段中的标识符。</p>    <p>recvfrom : 要监听的消息队列,消息队列会把消息分发到这个worker中。填入的信息同样为 mq 中的 name 字段中的标识符。</p>    <h3><strong>消息的设计</strong></h3>    <p>在消息队列中,消息一共有四种类型。分别是url,page,result和自定义类型。在worker的程序中,可以通过messagequeue的四种方法(sendUrl, sendPage, sendResult, send)来插入消息。worker的downloader会处理url消息,processor会处理page消息,saver会处理result消息,freeman会处理所有的自定义的消息。我们所要做的工作,就是实现好worker中的这四个函数。</p>    <h3><strong>Worker接口的设计</strong></h3>    <p>JLiteSpider将整个的爬虫抓取流程抽象成四个部分,由四个接口来定义。分别是downloader,processor,saver和freeman。它们分别处理上述提到的四种消息。</p>    <p>你所需要做的是,实现这个接口,并将想要抓取的url链表返回。具体的实现细节,可以由你高度定制。</p>    <p><strong>1. Downloader:</strong></p>    <p>这部分实现的是页面下载的任务,将想要抓取的url链表,转化(下载后存储)为相应的页面数据链表。</p>    <p>接口设计如下:</p>    <pre>  <code class="language-java">public interface Downloader {      /**       * 下载url所指定的页面。       * @param url        * 收到的由消息队列传过来的消息       * @param mQueue        * 提供把消息发送到各个消息队列的方法       * @throws IOException       */      public void download(Object url, Map<String, MessageQueue> mQueue) throws IOException;  }</code></pre>    <p>你同样可以实现这个接口,具体的实现可由你自由定制,只要实现 download 函数。 url 是消息队列推送过来的消息,里面不一定是一条 url ,具体是什么内容,是由你当初传入消息队列时决定的。 mQueue 提供了消息发送到各个消息队列的方法,通过 mQueue.get("...") 选取消息队列,然后执行messagequeue的四种方法(sendUrl, sendPage, sendResult, send)来插入消息。</p>    <p><strong>2. Processor:</strong></p>    <p>Processor 是解析器的接口,这里会从网页的原始文件中提取出有用的信息。</p>    <p>接口设计:</p>    <pre>  <code class="language-java">public interface Processor{      /**       * 处理下载下来的页面源代码       * @param page       * 消息队列推送过来的页面源代码数据消息       * @param mQueue       * 提供把消息发送到各个消息队列的方法       * @throws IOException       */      public void process(Object page, Map<String, MessageQueue> mQueue) throws IOException;  }</code></pre>    <p>实现这个接口,完成对页面源码的解析处理。 page 是由消息队列推送过来的消息,具体格式同样是由你在传入时决定好的。 mQueue 使用同上。</p>    <p><strong>3. Saver:</strong></p>    <p>Saver 实现的是对解析得到结果的处理,可以将你解析后得到的数据存入数据库,文件等等。或者将url重新存入消息队列,实现迭代抓取。</p>    <p>接口的设计:</p>    <pre>  <code class="language-java">public interface Saver {      /**       * 处理最终解析得到的结果       * @param result        * 消息队列推送过来的结果消息       * @param mQueue        * 提供把消息发送到各个消息队列的方法       * @throws IOException       */      public void save(Object result, Map<String, MessageQueue> mQueue) throws IOException;  }</code></pre>    <p>通过实现这个接口,可以完成对结果的处理。你同样可以实现这个接口,具体的实现可由你自由定制,只要实现 download 函数。 result 是消息队列推送过来的结果消息,具体的格式是由你当初传入消息队列时决定的。 mQueue 的使用同上。</p>    <p><strong>4. Freeman:</strong></p>    <p>通过上述的三个流程,可以实现爬虫抓取的一个正常流程。但是 jlitespider 同样提供了自定义的功能,你可以完善,加强,改进甚至颠覆上述的抓取流程。 freeman 就是一个处理自定义消息格式的接口,实现它就可以定义自己的格式,以至于定义自己的流程。</p>    <p>接口的设计:</p>    <pre>  <code class="language-java">public interface Freeman {      /**       * 自定义的处理函数       * @param key       * key为自定义的消息标记       * @param msg       * 消息队列推送的消息       * @param mQueue       * 提供把消息发送到各个消息队列的方法       * @throws IOException       */      public void doSomeThing(String key, Object msg, Map<String, MessageQueue> mQueue) throws IOException;  }</code></pre>    <p>通过实现 doSomeThing 函数,你就可以处理来自消息队列的自定义消息。 key 为消息的标记, msg 为消息的内容。同样,通过 mQueue 的 send 方法,可以实现向消息队列发送自定义消息的操作。(需要注意,自定义的消息标记不能为: url , page , result 。否则会被认为是 jlitespider 的保留消息,也就是由上述的三个接口函数来处理。)</p>    <h3><strong>总结说明</strong></h3>    <p>jlitespider 的设计可能会让您有些疑惑,不过等您熟悉这一整套的设计之后,您就会发现 jlitespider 是多么的灵活和易于使用。</p>    <h3><strong>使用方法</strong></h3>    <p>JLiteSpider使用:</p>    <pre>  <code class="language-java">//worker的启动  Spider.create() //创建实例        .setDownloader(...) //设置实现了Downloader接口的下载器        .setProcessor(...) //设置实现了Processor接口的解析器        .setSaver(...) //设置实现了Saver接口的数据持久化方法        .setFreeman(...) //设置自定义消息的处理函数        .setSettingFile(...) //设置配置文件        .begin(); //开始爬虫    //消息队列中初始消息添加器的使用  MessageQueueAdder.create("localhost", 5672, "url")                   .addUrl(...) //向消息队列添加url类型的消息                   .addPage(...) //向消息队列添加page类型的消息                   .addResult(...) //向消息队列添加result类型的消息                   .add(..., ...) //向消息队列添加自定义类型的消息                   .close() //关闭连接,一定要记得在最后调用!</code></pre>    <p>以豆瓣电影的页面为例子,假设我们要抓取豆瓣电影的爱情分类中的所有电影名称,并存入txt文件中:</p>    <ul>     <li> <p>首先,需要设计消息队列和worker之间的关系。我的设计是有两个worker和两个消息队列,其中一个worker在main消息队列上,负责下载,解析并把最终结果传入data消息队列。第二个worker从data消息队列中取数据,并存入txt文件中。两个worker的配置文件如下:</p> </li>    </ul>    <p>第一个worker:</p>    <pre>  <code class="language-java">{      "workerid" : 1,      "mq" : [{          "name" : "main",          "host" : "localhost",          "port" : 5672,          "qos" : 3  ,          "queue" : "main"      }, {          "name" : "data",          "host" : "localhost",          "port" : 5672,          "qos" : 3  ,          "queue" : "data"      }],      "sendto" : ["main", "data"],      "recvfrom" : ["main"]  }</code></pre>    <p>第二个worker:</p>    <pre>  <code class="language-java">{      "workerid" : 2,      "mq" : [{          "name" : "main",          "host" : "localhost",          "port" : 5672,          "qos" : 3  ,          "queue" : "main"      }, {          "name" : "data",          "host" : "localhost",          "port" : 5672,          "qos" : 3  ,          "queue" : "data"      }],      "sendto" : [],      "recvfrom" : ["data"]  }</code></pre>    <ul>     <li> <p>接着,编写第一个worker的代码,如下:</p> </li>    </ul>    <pre>  <code class="language-java">//下载页面数据,并存入main队列。  public class DoubanDownloader implements Downloader {      private Logger logger = Logger.getLogger("DoubanDownloader");      @Override      public void download(Object url, Map<String, MessageQueue> mQueue) throws IOException {          // TODO Auto-generated method stub          String result = "";          try {              result = Network.create()                              .setUserAgent("...")                              .setCookie("...")                              .downloader(url.toString());          } catch (IOException e) {              logger.info("本次下载失败!重新下载!");              //因为下载失败,所以将url重新放入main队列中              mQueue.get("main").sendUrl(url);          }          //下载成功,将页面数据放入main消息队列          mQueue.get("main").sendPage(result);      }    }</code></pre>    <pre>  <code class="language-java">//解析页面数据,将结果放入main消息队列。同时,后面页面的url信息同样需要放入队列,以便迭代抓取。  public class DoubanProcessor implements Processor {  //url去重复      private Set<String> urlset = new HashSet<>();      @Override      public void process(Object page, Map<String, MessageQueue> mQueue) throws IOException {          // TODO Auto-generated method stub          String path = "//[@id=content]/div/div[1]/div[2]/table/tbody/tr/td[1]/a/@title";          List<String> result = Xsoup.compile(path).evaluate(Jsoup.parse(page.toString())).list();          //将结果放入main消息队列          mQueue.get("main").sendResult(result);          path = "//[@id=content]/div/div[1]/div[3]/a/@href";          List<String> url = Xsoup.compile(path).evaluate(Jsoup.parse(page.toString())).list();          for (String each : url) {              if (!urlset.contains(each)) {              //如果url之前并未抓取过,则加入main队列,作为接下来要抓取的url                  mQueue.get("main").sendUrl(each);                  urlset.add(each);              }          }      }    }</code></pre>    <pre>  <code class="language-java">//把最终的数据放入data消息队列  public class DoubanSaver implements Saver {        @Override      public void save(Object result, Map<String, MessageQueue> mQueue) throws IOException {          // TODO Auto-generated method stub          List<String> rList = (List<String>) result;          for (String each : rList) {          //把数据发往data消息队列              mQueue.get("data").send("cc", each);          }      }    }</code></pre>    <pre>  <code class="language-java">//启动worker的主程序  public class DoubanSpider {      public static void main(String[] args) {          try {              Spider.create().setDownloader(new DoubanDownloader())                             .setProcessor(new DoubanProcessor())                             .setSaver(new DoubanSaver())                             .setSettingFile("./conf/setting.json")                             .begin();          } catch (ShutdownSignalException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (ConsumerCancelledException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (IOException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (TimeoutException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (InterruptedException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (SpiderSettingFileException e) {              // TODO Auto-generated catch block              e.printStackTrace();          }      }  }</code></pre>    <ul>     <li> <p>接下来,还要写第二个worker的代码。</p> </li>    </ul>    <pre>  <code class="language-java">//接收data消息队列中的数据,写入txt  public class SaveToFile implements Freeman {      @Override      public void doSomeThing(String key, Object msg, Map<String, MessageQueue> mQueue) throws IOException {          // TODO Auto-generated method stub          File file = new File("./output/name.txt");          FileWriter fileWriter = new FileWriter(file, true);          fileWriter.write(msg.toString() + "\n");          fileWriter.flush();          fileWriter.close();      }  }</code></pre>    <pre>  <code class="language-java">//第二个worker的启动主程序  public class SaveToFileSpider {      public static void main(String[] args) {          try {              Spider.create().setFreeman(new SaveToFile())                             .setSettingFile("./conf/setting2.json")                             .begin();          } catch (ShutdownSignalException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (ConsumerCancelledException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (IOException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (TimeoutException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (InterruptedException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (SpiderSettingFileException e) {              // TODO Auto-generated catch block              e.printStackTrace();          }      }  }</code></pre>    <ul>     <li> <p>还要编写一个main消息队列的初始化程序,把第一个入口url放入main消息队列中。</p> </li>    </ul>    <pre>  <code class="language-java">//把入口url放入main消息队列  public class AddUrls {      public static void main(String[] args) {          try {              MessageQueueAdder.create("localhost", 5672, "main")                               .addUrl("https://movie.douban.com/tag/%E7%88%B1%E6%83%85?start=0&type=T")                               .close();          } catch (IOException e) {              // TODO Auto-generated catch block              e.printStackTrace();          } catch (TimeoutException e) {              // TODO Auto-generated catch block              e.printStackTrace();          }      }  }</code></pre>    <ul>     <li> <p>最后,依次启动程序。启动的顺序是:rabbitmq -> worker1/2 -> 初始化消息程序。关于rabbitmq的使用,它的官方网站上有详细的安装和使用文档,可用于快速搭建rabbitmq的server。</p> </li>    </ul>    <h3><strong>辅助工具</strong></h3>    <p>当前版本的 jlitespider 能提供的辅助工具并不多,您在使用 jlitespider 的过程中,可以将您实现的辅助工具合并到 jlitespider 中来,一起来完善 jlitespider 的功能。辅助工具在包 com.github.luohaha.jlitespider.extension 中。</p>    <ul>     <li> <p>Network</p> </li>    </ul>    <p>简单的网络下载器,输入url,返回页面源代码。使用如下:</p>    <pre>  <code class="language-java">String result = Network.create()                  .setCookie("...")                  .setProxy("...")                  .setTimeout(...)                  .setUserAgent("...")                  .downloader(url);</code></pre>    <ul>     <li> <p>解析工具</p> </li>    </ul>    <p>项目中依赖了两个很常用的解析工具:xsoup 和 jsoup 。</p>    <p> </p>    <p> </p>    
 本文由用户 StephaineRF 自行上传分享,仅供网友学习交流。所有权归原作者,若您的权利被侵害,请联系管理员。
 转载本站原创文章,请注明出处,并保留原始链接、图片水印。
 本站是一个以用户分享为主的开源技术平台,欢迎各类分享!
 本文地址:https://www.open-open.com/lib/view/open1476238810864.html
消息系统 Java 分布式系统 Java开发