JLiteSpider

A lite distributed Java spider framework.
这是一个轻量级的分布式java爬虫框架

特点

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。
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。

总体的使用流程如下:

  • 启动rabbitmq。

  • 在配置文件中定义worker和消息队列之间的关系。

  • 在代码中编写worker的工作。

  • 最后,启动爬虫。

安装

使用maven:

<dependency>
  <groupId>com.github.luohaha</groupId>
  <artifactId>jlitespider</artifactId>
  <version>0.4.3</version>
</dependency>

直接下载jar包:

点击下载

设计思想

虽然JLiteSpider将抓取流程抽象成了几个部分,但这并不意味着你就必须遵从这种抽象,你应该根据自己的应用场景,来作出最符合效率最大化的使用决策。比如,如果你抓取的网页源码较大,如果把网页源码也存入消息队列,会导致消息队列负担过大。所以这个时候比较好的做法是将下载和解析的流程合并,直接向消息队列输出解析后的结果。
所以,虽然JLiteSpider帮你抽象出了抓取过程中的不同阶段,但这完全是选择性的,用户完全是自由的。我在设计JLiteSpider的时候,尽力保障了自由。后面要介绍到的Worker和消息队列的自由配置,以及添加了freeman,同样是这种设计思路的体现。

Worker和消息队列之间关系

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:

{    "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"]
}

workerid : worker的id号
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。
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。
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。

消息的设计

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。

Worker接口的设计

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。

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。

1. Downloader:

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。

接口设计如下:

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;
}

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。

2. Processor:

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。

接口设计:

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;
}

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。

3. Saver:

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。

接口的设计:

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;
}

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。

4. Freeman:

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。

接口的设计:

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;
}

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mQueuesend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:urlpageresult。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。)

总结说明

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。

###使用方法

JLiteSpider使用:

//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。只有向消息队列中添加初始的消息后,整个爬虫系统才能启动,因此称其为spider的lighter(点火器)。SpiderLighter.locateMQ("localhost", 5672, "MQ's name") // 定位到要访问的消息队列
                 .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!

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:

  • 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:

第一个worker:

{    "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"]
}

第二个worker:

{    "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"]
}
  • 接着,编写第一个worker的代码,如下:

//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());			//下载成功,将页面数据放入main消息队列
			mQueue.get("main").sendPage(result);
		} 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);
		}
	}

}
//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);
			}
		}
	}

}
//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);
		}
	}

}
//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();
		}
	}
}
  • 接下来,还要写第二个worker的代码。

//接收data消息队列中的数据,写入txtpublic 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();
	}
}
//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();
		}
	}
}
  • 还要编写一个main消息队列的初始化程序(点火程序),把第一个入口url放入main消息队列中。

//把入口url放入main消息队列public class AddUrls {	public static void main(String[] args) {		try {			// 首先定位到要访问的消息队列,队列在localhost:5672/main
			// 然后向这个消息队列添加url
			// 最后关闭lighter
			SpiderLighter.locateMQ("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();
		}
	}
}
  • 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。

辅助工具

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。

  • Network

简单的网络下载器,输入url,返回页面源代码。使用如下:

		String result = Network.create()
				.setCookie("...")
				.setProxy("...")
				.setTimeout(...)
				.setUserAgent("...")
				.downloader(url);

不推荐使用这个网络下载器,因为它是同步的,会阻塞进程。

  • AsyncNetwork

异步非阻塞的网络下载器,推荐使用这个作为页面下载器,因为它不会阻塞进程。

// 创建下载器AsyncNetwork asyncNetwork = new AsyncNetwork();// 设置cookieasyncNetwork.setCookie(cookies);// 设置代理asyncNetwork.setProxy("...");// 设置agentasyncNetwork.setUserAgent("...");// 启动下载器asyncNetwork.begin();

在异步下载器启动后,可以随时往下载器中添加url,和对应的回调处理对象。

// 添加要下载的页面的url,和下载完成后的处理函数。asyncNetwork.addUrl("...", new DownloadCallback() {			
			@Override
			public void onReceived(String result, String url) {				// 下载成功后,执行这个函数。result为下载下来的页面信息,url为对应的url链接。
				
			}			
			@Override
			public void onFailed(Exception exception, String url) {				// 下载失败时,执行这个函数。exception为失败原因。
				
			}
		});
  • 解析工具

项目中依赖了两个很常用的解析工具:xsoup 和 jsoup。


想要学习Java高架构、分布式架构、高可扩展、高性能、高并发、性能优化、Spring boot、Redis、ActiveMQ、Nginx、Mycat、Netty、Jvm大型分布式项目实战学习架构师视频免费获取

架构群:558986829