爬虫入门——02

爬虫入门——02

1. 引言

    在上一篇中，我们简单的了解了爬虫的工作流程，也简单的实现了一个爬虫，并且在文末简单分析了目前存在的问题。这一篇博客将会对上一篇分析出的问题，给出改进方法。我们将从以下几个方面加以改进。

2. 改进

(1) Bloom Filter

    我们首先利用Bloom Filet来改进UrlQueue中的visitedSet。

    在上一篇中，我们使用visitedSet（HashSet）来存放已经访问过的url。之所以使用HashSet是因为我们需要不断的插入url到visitedSet中，并且还需要频繁地判断某个url是否在其中，而采用Hash Table，在平均情况下，所有的字典操作在O(1)时间内都能完成（具体分析请看散列表(hash table)——算法导论(13)）。但不足之处在于我们需要花费大量的内存空间去维护hash table，我们是否可以减小它的空间复杂度呢？

    从visitedSet的作用入手，它只是用来判断某个url是否被包含在它内部，仅此而已。因此完全没有必要保存每个url的完整信息，保存指纹信息即可。这时我们可想到常用的md5和sha1摘要算法。但尽管对url做了压缩，我们还是需要去保存压缩后的信息。我们还有没有更好的方法呢？这时，Bloom Filter就派上用场了（关于Bloom Filter的介绍及实现在散列表(hash table)——算法导论(13)中的最后一小节）。

(2) Berkeley DB

    我们再来使用Berkeley DB改进我们UrlQueue中的unvisitedList。

    Berkeley DB是一个嵌入式数据库系统，简单、小巧、性能高（简单小巧没得说，至于性能，没验证过）。关于Berkeley DB的下载和使用请到其官网：http://www.oracle.com/technetwork/database/database-technologies/berkeleydb/overview/index.html

    使用Berkeley DB后，我们会将从页面解析出的url直接存入DB中，而unvisitedList只是作为从DB中取url时的缓冲池。即我们会开启一个线程以一定的频率从DB中读取一定数量的url到unvisitedList中，执行页面请求的线程还是从unvisitedList读取url。

(3). 多线程

    最后我们引入多线程来提高爬虫的效率。

    多线程的关键在于同步与通信。这些内容请自行百度。

改进后的整个结构图如下：

3. 实现

(1) 代码

最后我们给出改进后的代码：

① 首先是改进后的UrlQueue.java，我们重命名为BloomQueue.java（其中的BloomFilter类，在散列表(hash table)——算法导论(13)中可找到）

BloomQueue.java

package craw;

import java.util.concurrent.LinkedBlockingQueue;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.atomic.AtomicInteger;

public  class BloomQueue<T> {

     private BloomFilter<T> bloomFilter;
     private LinkedBlockingQueue<T> visitedList;
     private AtomicInteger flowedCount;
     private  int queueCapacity;

     public BloomQueue() {
         this(0.000001, 10000000, 500);
    }

     public BloomQueue( double falsePositiveProbability,  int filterCapacity,  int queueCapacity) {
         this.queueCapacity = queueCapacity;
        bloomFilter =  new BloomFilter<>(falsePositiveProbability, filterCapacity);
        visitedList =  new LinkedBlockingQueue<>(queueCapacity);
        flowedCount =  new AtomicInteger(0);
    }

     /**
     * 入队(当无法入队时，默认阻塞3秒)
     * 
     *  @param  t
     *  @return
      */
     public  boolean enqueue(T t) {
         return enqueue(t, 3000);
    }

     /**
     * 入队
     * 
     *  @param  t
     *  @param  timeout
     *            单位为毫秒
      */
     public  boolean enqueue(T t,  long timeout) {
         try {
             boolean result = visitedList.offer(t, timeout, TimeUnit.MILLISECONDS);
             if (result) {
                bloomFilter.add(t);
                flowedCount.getAndIncrement();
            }
             return result;
        }  catch (InterruptedException e) {
            e.printStackTrace();
        }
         return  false;
    }

     /**
     * 出队(当队列为空时，默认会阻塞3秒)
     * 
     *  @return
      */
     public T dequeue() {
         return dequeue(3000);
    }

     /**
     * 出队
     * 
     *  @param  timeout
     *            单位为毫秒
     *  @return
      */
     public T dequeue( long timeout) {
         try {
             return visitedList.poll(timeout, TimeUnit.MILLISECONDS);
        }  catch (InterruptedException e) {
        }
         return  null;
    }

     /**
     * 当前是否包含
     * 
     *  @return
      */
     public  boolean contains(T t) {
         return visitedList.contains(t);
    }

     /**
     * 曾经是否包含
     * 
     *  @param  t
     *  @return
      */
     public  boolean contained(T t) {
         return bloomFilter.contains(t);
    }

     public  boolean isEmpty() {
         return visitedList.isEmpty();
    }

     public  boolean isFull() {
         return visitedList.size() == queueCapacity;
    }

     public  int size() {
         return visitedList.size();
    }

     public  int flowedCount() {
         return flowedCount.get();
    }

    @Override
     public String toString() {
         return visitedList.toString();
    }
}

BloomFilter.java

package craw;
import java.io.Serializable;
import java.nio.charset.Charset;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.BitSet;
import java.util.Collection;

public  class BloomFilter<E>  implements Serializable {
     private  static  final  long serialVersionUID = -9077350041930475408L;

     private BitSet bitset; //  二进制向量
     private  int slotSize;  //  二进制向量的总位（槽）数（文中的m）
     private  double loadFactor;  //  装载因子 （文中的α）
     private  int capacity;  //  布隆过滤器的容量（文中的n）
     private  int size;  //  装载的数目
     private  int k;  //  一个元素对应的位数（文中的k）

     static  final Charset charset = Charset.forName("UTF-8");
     static  final String hashName = "MD5"; //  默认采用MD5算法加密，也可改为SHA1
     static  final MessageDigest digestFunction;

     static {
        MessageDigest tmp;
         try {
            tmp = java.security.MessageDigest.getInstance(hashName);
        }  catch (NoSuchAlgorithmException e) {
            tmp =  null;
        }
        digestFunction = tmp;
    }

     public BloomFilter( int slotSize,  int capacity) {
         this(slotSize / ( double) capacity, capacity, ( int) Math.round((slotSize / ( double) capacity) * Math.log(2.0)));
    }

     public BloomFilter( double falsePositiveProbability,  int capacity) {
         this(Math.log(2) / (Math.ceil(-(Math.log(falsePositiveProbability) / Math.log(2)))), // loadFactor = ln2 / k;
                capacity,  //
                ( int) Math.ceil(-(Math.log(falsePositiveProbability) / Math.log(2))));  // k = -ln p / ln2
    }

     public BloomFilter( int slotSize,  int capacity,  int size, BitSet filterData) {
         this(slotSize, capacity);
         this.bitset = filterData;
         this.size = size;
    }

     public BloomFilter( double loadFactor,  int capacity,  int k) {
        size = 0;
         this.loadFactor = loadFactor;
         this.capacity = capacity;
         this.k = k;
         this.slotSize = ( int) Math.ceil(capacity * loadFactor);
         this.bitset =  new BitSet(slotSize);
    }

     public  static  int createHash(String val, Charset charset) {
         return createHash(val.getBytes(charset));
    }

     public  static  int createHash(String val) {
         return createHash(val, charset);
    }

     public  static  int createHash( byte[] data) {
         return createHashes(data, 1)[0];
    }

     public  static  int[] createHashes( byte[] data,  int hashes) {
         int[] result =  new  int[hashes];

         int k = 0;
         byte salt = 0;
         while (k < hashes) {
             byte[] digest;
             synchronized (digestFunction) {
                digestFunction.update(salt);
                salt++;
                digest = digestFunction.digest(data);
            }

             for ( int i = 0; i < digest.length / 4 && k < hashes; i++) {
                 int h = 0;
                 for ( int j = (i * 4); j < (i * 4) + 4; j++) {
                    h <<= 8;
                    h |= (( int) digest[j]) & 0xFF;
                }
                result[k] = h;
                k++;
            }
        }
         return result;
    }

     /**
     * Compares the contents of two instances to see if they are equal.
     *
     *  @param  obj
     *            is the object to compare to.
     *  @return  True if the contents of the objects are equal.
      */
    @Override
     public  boolean equals(Object obj) {
         if (obj ==  null) {
             return  false;
        }
         if (getClass() != obj.getClass()) {
             return  false;
        }
         final BloomFilter<?> other = (BloomFilter<?>) obj;
         if ( this.capacity != other.capacity) {
             return  false;
        }
         if ( this.k != other.k) {
             return  false;
        }
         if ( this.slotSize != other.slotSize) {
             return  false;
        }
         if ( this.bitset != other.bitset && ( this.bitset ==  null || ! this.bitset.equals(other.bitset))) {
             return  false;
        }
         return  true;
    }

     /**
     * Calculates a hash code for this class.
     * 
     *  @return  hash code representing the contents of an instance of this class.
      */
    @Override
     public  int hashCode() {
         int hash = 7;
        hash = 61 * hash + ( this.bitset !=  null ?  this.bitset.hashCode() : 0);
        hash = 61 * hash +  this.capacity;
        hash = 61 * hash +  this.slotSize;
        hash = 61 * hash +  this.k;
         return hash;
    }

     /**
     * Calculates the expected probability of false positives based on the
     * number of expected filter elements and the size of the Bloom filter.
     * <br />
     * <br />
     * The value returned by this method is the <i>expected</i> rate of false
     * positives, assuming the number of inserted elements equals the number of
     * expected elements. If the number of elements in the Bloom filter is less
     * than the expected value, the true probability of false positives will be
     * lower.
     *
     *  @return  expected probability of false positives.
      */
     public  double expectedFalsePositiveProbability() {
         return getFalsePositiveProbability(capacity);
    }

     /**
     * Calculate the probability of a false positive given the specified number
     * of inserted elements.
     *
     *  @param  numberOfElements
     *            number of inserted elements.
     *  @return  probability of a false positive.
      */
     public  double getFalsePositiveProbability( double numberOfElements) {
         //  (1 - e^(-k * n / m)) ^ k
         return Math.pow((1 - Math.exp(-k * ( double) numberOfElements / ( double) slotSize)), k);

    }

     /**
     * Get the current probability of a false positive. The probability is
     * calculated from the size of the Bloom filter and the current number of
     * elements added to it.
     *
     *  @return  probability of false positives.
      */
     public  double getFalsePositiveProbability() {
         return getFalsePositiveProbability(size);
    }

     /**
     * Returns the value chosen for K.<br />
     * <br />
     * K is the optimal number of hash functions based on the size of the Bloom
     * filter and the expected number of inserted elements.
     *
     *  @return  optimal k.
      */
     public  int getK() {
         return k;
    }

     /**
     * Sets all bits to false in the Bloom filter.
      */
     public  void clear() {
        bitset.clear();
        size = 0;
    }

     /**
     * Adds an object to the Bloom filter. The output from the object's
     * toString() method is used as input to the hash functions.
     *
     *  @param  element
     *            is an element to register in the Bloom filter.
      */
     public  void add(E element) {
        add(element.toString().getBytes(charset));
    }

     /**
     * Adds an array of bytes to the Bloom filter.
     *
     *  @param  bytes
     *            array of bytes to add to the Bloom filter.
      */
     public  void add( byte[] bytes) {
         int[] hashes = createHashes(bytes, k);
         for ( int hash : hashes)
            bitset.set(Math.abs(hash % slotSize));
        size++;
    }

     /**
     * Adds all elements from a Collection to the Bloom filter.
     * 
     *  @param  c
     *            Collection of elements.
      */
     public  void addAll(Collection<?  extends E> c) {
         for (E element : c)
            add(element);
    }

     /**
     * Returns true if the element could have been inserted into the Bloom
     * filter. Use getFalsePositiveProbability() to calculate the probability of
     * this being correct.
     *
     *  @param  element
     *            element to check.
     *  @return  true if the element could have been inserted into the Bloom
     *         filter.
      */
     public  boolean contains(E element) {
         return contains(element.toString().getBytes(charset));
    }

     /**
     * Returns true if the array of bytes could have been inserted into the
     * Bloom filter. Use getFalsePositiveProbability() to calculate the
     * probability of this being correct.
     *
     *  @param  bytes
     *            array of bytes to check.
     *  @return  true if the array could have been inserted into the Bloom filter.
      */
     public  boolean contains( byte[] bytes) {
         int[] hashes = createHashes(bytes, k);
         for ( int hash : hashes) {
             if (!bitset.get(Math.abs(hash % slotSize))) {
                 return  false;
            }
        }
         return  true;
    }

     /**
     * Returns true if all the elements of a Collection could have been inserted
     * into the Bloom filter. Use getFalsePositiveProbability() to calculate the
     * probability of this being correct.
     * 
     *  @param  c
     *            elements to check.
     *  @return  true if all the elements in c could have been inserted into the
     *         Bloom filter.
      */
     public  boolean containsAll(Collection<?  extends E> c) {
         for (E element : c)
             if (!contains(element))
                 return  false;
         return  true;
    }

     /**
     * Read a single bit from the Bloom filter.
     * 
     *  @param  bit
     *            the bit to read.
     *  @return  true if the bit is set, false if it is not.
      */
     public  boolean getBit( int bit) {
         return bitset.get(bit);
    }

     /**
     * Set a single bit in the Bloom filter.
     * 
     *  @param  bit
     *            is the bit to set.
     *  @param  value
     *            If true, the bit is set. If false, the bit is cleared.
      */
     public  void setBit( int bit,  boolean value) {
        bitset.set(bit, value);
    }

     /**
     * Return the bit set used to store the Bloom filter.
     * 
     *  @return  bit set representing the Bloom filter.
      */
     public BitSet getBitSet() {
         return bitset;
    }

     /**
     * Returns the number of bits in the Bloom filter. Use count() to retrieve
     * the number of inserted elements.
     *
     *  @return  the size of the bitset used by the Bloom filter.
      */
     public  int slotSize() {
         return slotSize;
    }

     /**
     * Returns the number of elements added to the Bloom filter after it was
     * constructed or after clear() was called.
     *
     *  @return  number of elements added to the Bloom filter.
      */
     public  int size() {
         return size;
    }

     /**
     * Returns the expected number of elements to be inserted into the filter.
     * This value is the same value as the one passed to the constructor.
     *
     *  @return  expected number of elements.
      */
     public  int capacity() {
         return capacity;
    }

     /**
     * Get expected number of bits per element when the Bloom filter is full.
     * This value is set by the constructor when the Bloom filter is created.
     * See also getBitsPerElement().
     *
     *  @return  expected number of bits per element.
      */
     public  double getLoadFactor() {
         return  this.loadFactor;
    }
}

② 然后我们对Berkeley DB做一个简单的封装，便于使用。

package craw;

import java.io.File;

import com.sleepycat.je.Environment;
import com.sleepycat.je.EnvironmentConfig;
import com.sleepycat.persist.EntityCursor;
import com.sleepycat.persist.EntityStore;
import com.sleepycat.persist.PrimaryIndex;
import com.sleepycat.persist.StoreConfig;

public  class DBHelper<T> {

     public  static  final String DEFAULT_DB_DIR = "E:/db/";
     public  static  final String DEFAULT_Entity_Store = "EntityStore";

     public Environment myEnv;
     public EntityStore store;
     public PrimaryIndex<Long, T> primaryIndex;

     public DBHelper(Class<T> clazz) {
         this(clazz, DEFAULT_DB_DIR, DEFAULT_Entity_Store,  false);
    }

     public DBHelper(Class<T> clazz, String dbDir, String storeName,  boolean isRead) {
        File dir =  new File(dbDir);
         if (!dir.exists()) {
            dir.mkdirs();
        }
        EnvironmentConfig envConfig =  new EnvironmentConfig();
        envConfig.setAllowCreate(!isRead);
         //  Environment
        myEnv =  new Environment(dir, envConfig);
         //  StoreConfig
        StoreConfig storeConfig =  new StoreConfig();
        storeConfig.setAllowCreate(!isRead);
         //  store
        store =  new EntityStore(myEnv, storeName, storeConfig);
         //  PrimaryIndex
        primaryIndex = store.getPrimaryIndex(Long. class, clazz);
    }

     public  void put(T t) {
        primaryIndex.put(t);
        store.sync();
        myEnv.sync();
    }

     public EntityCursor<T> entities() {
         return primaryIndex.entities();
    }

     public T get( long key) {
         return primaryIndex.get(key);
    }

     public  void close() {
         if (store !=  null) {
            store.close();
        }
         if (myEnv !=  null) {
            myEnv.cleanLog();
            myEnv.close();
        }
    }
}

package  craw;
import java.util.Set;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;

import org.jsoup.nodes.Document;

public  class CrawlerEngine {

     public  static  final String DEFAULT_SAVE_DIR = "E:/download/";
     private  static  final  long FEEDER_SLEEP_TIME = 10;
     private  static  final  long FEEDER_MAX_WAIT_TIME = 3 * 1000; //  当DB中取不到url时，feeder最长等待时间（即如果等待该时间后，DB还是为空，则feeder结束工作）
     private  static  final  int FEEDER_MAX_WAIT_COUNT = ( int) (FEEDER_MAX_WAIT_TIME / FEEDER_SLEEP_TIME); //  当DB中取不到url时，feeder最长等待时间（即如果等待该时间后，DB还是为空，则feeder结束工作）
     private  static  final  boolean LOG =  false;

     private BloomQueue<Url> urlQueue;
     private ExecutorService fetcherPool;
     private  int fetcherCount;
     private  boolean running;
     private DBHelper<Url> dbHelper;
     private JsoupDownloader downloader;
     private String parseRegex;
     private String saveRegex;
     private String saveDir;
     private String saveName;
     private  long maxCount = 1000;
     private  long startTime;
     private  long endTime = Long.MAX_VALUE;

     public CrawlerEngine() {
         this(20, DEFAULT_SAVE_DIR,  null);
    }

     public CrawlerEngine( int fetcherCount, String saveDir, String saveName) {
         this.fetcherCount = fetcherCount;
        urlQueue =  new BloomQueue<>();
        fetcherPool = Executors.newFixedThreadPool(fetcherCount);
        dbHelper =  new DBHelper<>(Url. class);
        downloader = JsoupDownloader.getInstance();
         this.saveDir = saveDir;
         this.saveName = saveName;
    }

     public  void startUp(String[] seeds) {
         if (running) {
             return;
        }
        running =  true;
        startTime = System.currentTimeMillis();
         for (String seed : seeds) {
            Url url =  new Url(seed);
            urlQueue.enqueue(url);
        }
         for ( int i = 0; i < fetcherCount; i++) {
            fetcherPool.execute( new Fetcher());
        }
         new Feeder().start();
    }

     public  void shutdownNow() {
        running =  false;
        fetcherPool.shutdown();
    }

     public  void shutdownAtTime( long time) {
         if (time > startTime) {
            endTime = time;
        }
    }

     public  void shutdownDelayed( long delayed) {
        shutdownAtTime(startTime + delayed);
    }

     public  void shutdownAtCount( long count) {
        maxCount = count;
    }

     private  boolean isEnd() {
         return urlQueue.flowedCount() > maxCount || System.currentTimeMillis() > endTime;
    }

     private  long currId = 1;
     private  int currWaitCount;

     /**
     * 饲养员
     * <p>
     * 从DB中获取一定数量的url到queue
     * </p>
     * 
     *  @author  D.K
     *
      */
     private  class Feeder  extends Thread {
        @Override
         public  void run() {
             while (!isEnd() && running && currWaitCount != FEEDER_MAX_WAIT_COUNT) {
                 try {
                    sleep(FEEDER_SLEEP_TIME);
                     if (urlQueue.isFull()) {
                        log("Feeder", "队列已满");
                         continue;
                    }
                    Url url = dbHelper.get(currId);
                     if (url ==  null) {
                        currWaitCount++;
                        log("Feeder", "url为null，currWaitCount = " + currWaitCount);
                    }  else {
                         while (urlQueue.contained(url)) {
                            currId++;
                            url = dbHelper.get(currId);
                        }
                         if (url !=  null) {
                            log("Feeder", "url准备入队");
                            urlQueue.enqueue(url);
                            currId++;
                            log("Feeder", "url已经入队，currId = " + currId);
                            currWaitCount = 0;
                        }
                    }
                }  catch (Exception e) {
                    e.printStackTrace();
                }
            }
            log("Feeder", "执行结束...");
             while ( true) {
                 try {
                    sleep(100);
                    log("Feeder", "等待Fetcher结束...");
                }  catch (InterruptedException e) {
                }
                 if (urlQueue.isEmpty()) {
                    shutdownNow();
                    System.out.println(">>>>>>>>>>>>爬取结束，共请求了" + urlQueue.flowedCount() + "个页面，用时" + (System.currentTimeMillis() - startTime) + "毫秒<<<<<<<<<<<<");
                     return;
                }
            }
        }
    }

     /**
     * 抓取者
     * <p>
     * 从queue中取出url，下载页面，解析页面，并把解析出的新的url添加到DB中
     * </p>
     * 
     *  @author  D.K
     *
      */
     private  class Fetcher  implements Runnable {

        @Override
         public  void run() {
             while (!isEnd() && (running || !urlQueue.isEmpty())) {
                log("Fetcher", "开始从队列获取url，size=" + urlQueue.size());
                Url url = urlQueue.dequeue();
                 if (url ==  null) {
                    log("Fetcher", "url为null");
                     continue;
                }
                log("Fetcher", "取出了url");
                Document doc = downloader.downloadPage(url.getUrl());
                Set<String> urlSet = downloader.parsePage(doc, parseRegex);
                downloader.savePage(doc, saveDir, saveName, saveRegex);
                 for (String str : urlSet) {
                    Url u =  new Url(str);
                     if (!urlQueue.contained(u)) {
                        dbHelper.put(u);
                    }
                }
            }
        }
    }

     private  void log(String talker, String content) {
         if (LOG) {
            System.out.println("[" + talker + "] " + content);
        }
    }

     public String getParseRegex() {
         return parseRegex;
    }

     public  void setParseRegex(String parseRegex) {
         this.parseRegex = parseRegex;
    }

     public String getSaveRegex() {
         return saveRegex;
    }

     public  void setSaveRegex(String saveRegex) {
         this.saveRegex = saveRegex;
    }

     public  void setSavePath(String saveDir, String saveName) {
         this.saveDir = saveDir;
         this.saveName = saveName;
    }
}

(2) 测试

    我们采用上一篇的测试例子来做同样的测试，以检验我们优化后的效果。下面是测试代码：

package craw;
public  class Client {
     public  static  void main(String[] args)  throws InterruptedException {
        CrawlerEngine crawlerEngine =  new CrawlerEngine();
        crawlerEngine.setParseRegex("(http://www.cnblogs.com/artech/p|http://www.cnblogs.com/artech/default|http://www.cnblogs.com/artech/archive/\\d{4}/\\d{2}/\\d{2}/).*");
        crawlerEngine.setSaveRegex("(http://www.cnblogs.com/artech/p|http://www.cnblogs.com/artech/archive/\\d{4}/\\d{2}/\\d{2}/).*");
        crawlerEngine.startUp( new String[] { "http://www.cnblogs.com/artech/" });
        crawlerEngine.shutdownAtCount(1000);
    }
}

下面是运行结果：

(4) 总结

    对比我们上一篇中的测试时间61s，改进后用时14s，效率有明显的提升。

    在下一篇中，我们要对整个代码再次进行小的优化，完善一些细节，如对请求状态码的处理，抽取出一些接口以降低代码之间的耦合度，增强灵活性。

(5) 代码下载

http://files.cnblogs.com/files/walk-the-Line/crawler.zip

 

 

转载于:https://www.cnblogs.com/walk-the-Line/p/4868400.html