基于浏览器内核的被动式爬虫任务下发框架
现有基于浏览器的客户端测试框架通过ChromeDriver这类组件来主动控制,但主动控制有缺点:
- 重新load下一个页面时,上一个页面可能仍有JS代码在执行,或者网络层的连接阻塞、UI线程阻塞什么的;
- 通过WebView接口注入执行的JS代码可能因为各种情况意外出错,出错的话无法获得通知
- 无法可靠地向浏览器查询,获得当前任务是否已经执行完成的信息
这里给出一个简单的基于修改chromium内核,进行被动控制的思路及流程如下:
- 浏览器启动时,通过一个‘给定的任务下发Web服务URL’获得一次‘爬虫任务描述’,包含下列信息:
- target_url: 要抓取的页面的URL
- 可选的task_id(假如target_url属性还不能用于对任务的唯一描述的话)
- inject_js: 要注入的客户端爬虫JS代码
- post_notify: 任务完成时的一个HTTP POST地址
- (这意味着任务描述需要作为一条记录保存在数据库中,包含‘是否已下发’,‘是否已完成’信息)
- 要点是这里“分布式微服务
- target_url: 要抓取的页面的URL