GuozhongCrawler系列教程 （2） CrawTaskBuilder详解

2019独角兽企业重金招聘Python工程师标准>>>

    GuozhongCrawler是分层架构。要快速学习CrawlTask独立的配置多少要了解框架的源代码。所以CrawTaskBuilder提供要更加扁平且易于理解的的方式创建CrawTask

方法详细资料

• useThread

  public CrawTaskBuilder useThread(int threadNum)

  设置CrawlTask下载处理Request的线程数量

  • 参数:

  • threadNum -

  • 返回:

  • CrawTaskBuilder

• usePipeline

  public CrawTaskBuilder usePipeline(java.lang.Class<? extends Pipeline> pipelineCls)

  设置实现好的Pipeline类Class

  • 参数:

  • pipelineCls - 持久化处理类

  • 返回:

  • CrawTaskBuilder

• usePageRetryCount

  public CrawTaskBuilder usePageRetryCount(int retryCount)

  如果由于网络问题，请求url时可能会出现失败的情况。那么你设置最大重新请求的次数默认重新请求1次

  • 参数:

  • retryCount -

  • 返回:

  • CrawTaskBuilder

• usePageEncoding

  public CrawTaskBuilder usePageEncoding(PageRequest.PageEncoding defaultEncoding)

  一般抓取某个网站会有统一的编码，如果你不想每次都调用PageRequest.setPageEncoding的话，那么你可以设置一个默认的编码

  • 返回:

  • 
    

• injectStartUrl

  public CrawTaskBuilder injectStartUrl(java.lang.String url,
                               java.lang.Class<? extends PageProcessor> processorCls,
                               java.util.Map<java.lang.String,java.lang.Object> contextAttribute,                             PageRequest.PageEncoding pageEncoding)

  添加种子URL设置附加参数和页面编码格式 每个injectStartUrl方法注入的种子URL会用一个单独的StatContext包装。如果StatContext在抓取过程中不会产生较多新的跟进Request 那么推荐你使用useDynamicEntrance设置入口URL将会更加提升效率

  • 参数:

  • url -

  • contextAttribute -

  • PageEncoding -

  • 返回:

  • 
    

• injectStartUrl

  public CrawTaskBuilder injectStartUrl(java.lang.String url,
                               java.lang.Class<? extends PageProcessor> processorCls,
                               java.util.Map<java.lang.String,java.lang.Object> contextAttribute)

  添加种子URL并设置附加参数 每个injectStartUrl方法注入的种子URL会用一个单独的StatContext包装。如果StatContext在抓取过程中不会产生较多新的跟进Request 那么推荐你使用useDynamicEntrance设置入口URL将会更加提升效率

  • 参数:

  • url -

  • contextAttribute -

  • 返回:

  • 
    

• injectStartUrl

  public CrawTaskBuilder injectStartUrl(java.lang.String url,
                               java.lang.Class<? extends PageProcessor> processorCls)

  添加种子URL，并指定PageProcessor。 每个injectStartUrl方法注入的种子URL会用一个单独的StatContext包装。如果StatContext在抓取过程中不会产生较多新的跟进Request 那么推荐你使用useDynamicEntrance设置入口URL将会更加提升效率

  • 参数:

  • url -

  • 返回:

  • 
    

• useDynamicEntrance

  public CrawTaskBuilder useDynamicEntrance(java.lang.Class<? extends DynamicEntrance> dynamicEntranceCls)

  如果你想在单个StartContext中直接初始化跟进URL，或者让爬虫分批注入种子的话。那么DynamicEntrance提供了这样的接口

  • 参数:

  • dynamicEntranceCls - DynamicEntrance的继承实现类

  • 返回:

  • 
    

• useQueuePriorityRequest

  public CrawTaskBuilder useQueuePriorityRequest()

  使用优先级队列，在一些抓取分页较多情景下推荐使用QueuePriorityRequest。因为 它能很好的保证优先级高的Request优先被处理。从而防止队列金字塔式的膨胀

  • 返回:

  • 
    

• useQueueDelayedPriorityRequest

  public CrawTaskBuilder useQueueDelayedPriorityRequest(int delayInMilliseconds)

  使用延迟优先级队列，和QueuePriorityRequest类似。但QueueDelayedPriorityRequest额外提供了延迟抓取的功能 在一些因为请求频率过快而被封的网站上推荐使用QueueDelayedPriorityRequest

  • 参数:

  • delayInMilliseconds - 每次取Request距离上次时间延迟delayInMilliseconds毫秒

  • 返回:

  • 
    

• useTaskLifeListener

  public CrawTaskBuilder useTaskLifeListener(TaskLifeListener listener)

  设置监听器，监听爬虫的CrawlTask的onStart 和 onFinish。在此你可以发送邮件或者其他方式来知晓爬虫的执行情况

  • 参数:

  • listener -

  • 返回:

  • 
    

• useCookie

  public CrawTaskBuilder useCookie(java.util.Set<Cookie> cookies)

  设置Cookie，当Driver创建时设置cookies。在需要登录情况下你可以将登录好的Cookies注入downloader

  • 参数:

  • listener -

  • 返回:

  • 
    

• addChromeDriverLifeListener

  public void addChromeDriverLifeListener(ChromeDriverLifeListener chromeDriverLifeListener)

  当你使用ChromeDownloader作为下载器时可以设置ChromeDriverLifeListener

  • 参数:

  • listener -

• addWebDriverLifeListener

  public void addWebDriverLifeListener(WebDriverLifeListener webDriverLifeListener)

  当你使用WebDriverDownloader作为下载器时可以设置ChromeDriverLifeListener

  • 参数:

  • listener -

• addHttpClientLifeListener

  public void addHttpClientLifeListener(HttpClientLifeListener httpClientLifeListener)

  当你使用默认的DefaultPageDownloader作为下载器时可以设置HttpClientLifeListener

  • 参数:

  • listener -

• useProxyIpPool

  public CrawTaskBuilder useProxyIpPool(java.lang.Class<? extends ProxyIpPool> proxyIpPoolCls,
                               int initSize,
                               long pastTime,
                               int max_use_count)

  使用代理IP切换机制时设置一个ProxyIpPool的实现类即可。在封IP网站下推荐使用收费版代理IP效果更佳

  • 参数:

  • proxyIpPoolCls -

  • initSize - 每次代理IP缓冲池IP不足时加载IP的个数，推荐使用公式initSize=thread*5

  • pastTime - 每个IP自身的过期时间，当代理IP过期时间到的时候会被清除。这个值根据代理IP的质量决定

  • max_use_count - 每个代理IP最多使用的次数。推荐使用公式max_use_count=（目标网站连续请求才被封的次数）减去  2到3

  • 返回:

  • 
    

• useProxyIpPoolInstance

  public CrawTaskBuilder useProxyIpPoolInstance(ProxyIpPool proxyIpPool)

  当然你也可以自己构造一个实例设置ProxyIpPool

  • 参数:

  • proxyIpPool -

  • 返回:

  • 
    

  • 抛出:

  • java.lang.SecurityException

  • java.lang.NoSuchMethodException

• useTimer

  public final CrawTaskBuilder useTimer(int hour,
                         long period,
                         int endHour)

  使用定时循环启动，使用24小时制

  • 参数:

  • hour - 从几点开始启动，如果当前时间小于改时间则等待到改时间启动

  • period - 每次抓取时间间隔  单位毫秒

  • endHour - 到几点结束

  • 返回:

  • 
    

• useDownloadFileThread

  public CrawTaskBuilder useDownloadFileThread(int thread)

  设置同时下载文件的线程数 ，默认3个线程

  • 参数:

  • thread -

  • 返回:

  • CrawTaskBuilder

• useDownloadFileDelayTime

  public CrawTaskBuilder useDownloadFileDelayTime(int millisecond)

  文件下载延迟，默认300ms

  • 参数:

  • millisecond -

  • 返回:

  • 
    

• build

  public CrawlTask build()

  配置完成，即可创建CrawlTask

  • 返回:

  • CrawlTask

转载于:https://my.oschina.net/u/1377701/blog/464248