题图: Stan Lee playing Spider-Man on Atari 2600, 1982.
需求:
需要将目标的几个站点的快讯内容做定时爬取,并根据内容做重复过滤。
技术评审:
站点的内容抓取刚开始是想用python,但在内容重复过滤这块没想好实践路径就未直接采用python;
JAVA也看过其他一些开源框架比如:“xxl-crawler”"WebCollector",这两个框架其实在分布式上面略有些优势,但在文本过滤上并未有太好的解决文案;
a、任务调度:
任务调度用Quartz,成熟、灵活
b、文本重复过滤
考虑到数据多的时候重复数据匹配量比较大,如果用分词的内容做索引再循环过滤匹配文本项,效率太低;有没有一种方式可以快速建好文本特征,方便的使用关系数据库就可以做一个全局滤重。
答案是:有的,为每个快讯文本建一个指纹,重复的文本或者较大篇幅的文本重复,相关算法关键词:Simhash 相关介绍文章:https://blog.csdn.net/wh_springer/article/details/52177236
其原理简述一下:Simhash算法将给定文本,根据其中的关键字,将文本最终计算出一个32位二进制串,我将生成的二进制串分成四个8位串,这样方便快速计算匹配度,数量大的时候还可以在指纹上建索引提高效率。
上图为根据抓取的内容做的生成的指纹
关键实现:
上图为整个模块基本架构
爬虫任务线程:是用户Quartz做调度,每个目标站是单独的一个Job,具体的调度交给Quatz,爬虫的子JOB再抽取一个父类,做爬虫模板,这样单个爬虫代码量就很少了,附上一个目标站的实现类:
public class LianNewsJob extends NewsJob implements Job {
protected static long MAX_ID=0;
Logger logger = LoggerFactory.getLogger(WalianNewsJob.class);
@Override
public void execute(JobExecutionContext jobExecutionContext) {
TAG="WALIAN";
try {
saveNewsToQueue(getContent());
}catch (Exception e){
logger.error(TAG+"采集异常",e);
}
}
/**
* 抓取资讯
* @return
*/
private List<LxbNewsSuorce> getContent(){
LxbNewsSuorce newsItem;
List<LxbNewsSuorce> newsList = new ArrayList<>();
List<JSONObject> jsonList = new ArrayList<>();
try {
String responseJsonStr = getHttpContent(Constants.WALIAN_URL);
JSONObject responseJO = JSON.parseObject(responseJsonStr);
if(StringUtils.equals(responseJO.getString("code"),"000000")) {
JSONArray contentList = responseJO.getJSONObject("data").getJSONArray("list");
for (int i = 0; i < contentList.size(); i++) {
jsonList.add(contentList.getJSONObject(i));
}
sortContent(jsonList);
for (JSONObject jObj : jsonList) {
if (jObj.getLong("id") > MAX_ID) {
newsItem = new LxbNewsSuorce();
newsItem.setTitle(jObj.getString("title"));
newsItem.setContent(StringUtils.replace(jObj.getString("content")));
newsList.add(newsItem);
MAX_ID = jObj.getLong("id");
}
}
}
} catch (Exception e) {
logger.error(TAG+"抓取异常",e);
}
return newsList;
}
boolean isTitleExist(String title ){
Query userQuery = DBManager.getSqlManager().query(LxbNewsSuorce.class);
List<LxbNewsSuorce> newsList = userQuery.andEq("title",title).select();
if(newsList.size() > 0){
return true;
}
return false;
}
参考资料:
Simhash借鉴了开源库:https://github.com/hankcs/HanLP