WebMagic 剖析

WebMagic 

首先，爬虫的本质：基于Http协议请求目标地址获取响应结果解析并存储。

01. 导语

1、爬虫基础知识

2、优秀国产开源爬虫框架webmagic剖析

02. 爬虫基础

1、爬虫的本质

爬虫的本质：基于Http协议请求目标地址获取响应结果解析并存储。

2、HTTP请求

1. 请求头（Request Headers）：包装了http请求的基本信息，比较重要的如：user-agent、referer、cookie、accept-language（接受语言）、请求方法（post、get）。
2. 响应头（Response Headers）：包装了服务器返回的头信息，如content-language内容语言、content-type内容的类型text/html等 、server服务器类型（tomcat、jetty、nginx等）、status响应状态（如：200、302、404等等）。
3. Response：服务端具体的返回，类型多种多样，有html页面、js代码、json串、css样式、流等等。

3、解析

通常情况下，web返回的基本都是html页面、json。

1. xpath：xml路径语言，具备很强的解析能力，chrome、firefox都有对应的工具生成xpath语法，可以很方便的对标准html文件进行解析。
2. jsonpath：jsonpath是一个json解析的利器，非常类似于xpath语法，用非常简洁的表达式解析json串。
3. css选择器：这里的css选择器和jquery有点类似，通过元素的css样式来定位元素，大名鼎鼎的jsoup提供丰富的css选择器
4. 正则表达式
5. 字符串分割

4、难点

• 分析请求

ajax的普及，很多网站都采用了动态渲染的模式，请求不再是简单的返回html的模式，那么给爬取带来了巨大的难度，一般只能靠分析异步请求返回的json来具体分析，解析成我们需要的数据格式。还有一类是通过服务端内部转发来渲染页面，这类是最难的，请求不是通过浏览器来请求，而是再服务端跳转几次才渲染给浏览器，这时候需要使用模拟器来模拟请求，如selenium等。

• 网站的限制

• • cookie限制：很多网站是要登陆后才能绕过filter才能访问，这时候必须模拟cookie
  • user-agent：有的网站为了防爬虫，必须要求是真正浏览器才能访问，这时候可以模拟 user-agent
  • 请求加密：网站的请求如果加密过，那就看不清请求的本来面目，这时候只能靠猜测，通常加密会采用简单的编码，如：base64、urlEncode等，如果过于复杂，只能穷尽的去尝试
  • IP限制：有些网站，会对爬虫ip进行限制，这时候要么换ip，要么伪装ip
  • 曲线方案：对应pc端，很多网站做的防护比较全面，有时候可以改一下思路，请求app端服务试试，通常会有意想不到的收获。

• 爬取深度

网站通常的表现形式是一个页面超链接着另外的页面，理论上是无限延伸下去的，这时候必须设置一个爬取深度，不能无穷无尽的爬取。

• 总结

爬虫本质上只做了两件事情：请求和解析结果，但是爬虫的开发是非常困难的，需要不停的分析网站的请求，不停的跟随目标网站来升级自己的程序，试探解密、破解目标网站限制，把它当做网络攻防一点也不为过。

03. webmagic 架构解析

webmagic 是一个优秀的国产爬虫框架、简单易用、提供多种选择器，如css选择器、xpath、正则等等，预留了多个扩展接口，如Pipeline、Scheduler、Downloader等。

 

由上图可知，webmagic由四部分组成

• Downloader：负责请求url获取访问的数据（html页面、json等）。
• PageProcessor：解析Downloader获取的数据。
• Pipeline：PageProcessor解析出的数据由Pipeline来进行保存或者说叫持久化。
• Scheduler：调度器通常负责url去重，或者保存url队列，PageProcessor解析出的url可以加入Scheduler队列，用于下一次的爬取。

Webmagic使用非常简单，实现PageProcessor 接口，即可利用Spider类启动爬虫任务了。

下面重点解析一下Spider类的几个重要方法，包括锁的使用

1、addUrl

scheduler.push(request, this)，把需要爬取的url加入到Scheduler队列。

2、initComponent

初始化downloader、pipelines、threadPool线程池，这里有必要说明一下，webmagic默认down是HttpClientDownloader、默认pipeline是ConsolePipeline.

2、run

run方法是整个爬行运行的核心

• 任务结束时机

队列为空并且所有正在运行请求完成，且设置了exitWhenComplete为true，这时才会退出任务，这时候必须注意一点是，当页面请求过于慢，导致新解析的url来不及进队列，这时候任务退出导致爬取不完整。一般设置exitWhenComplete为false，但是有时候开启两个爬虫，必须等上一个爬虫完成，才运行下一个爬虫，这时候就会出问题了。实现这种场景，得改一下webmagic源码

• 等待新请求时间，默认是30s

• 

  标题

• 若scheduler队列里有url，在把任务丢进线程池，页面download成功，则执行pageProcessor的process方法，如果有pipeline，则执行pipeline链里的process方法

• 

有一点要注意，对于PageProcessor接口和Pipeline接口的实现，特别要注意线程安全的问题，切记不可对单例集合对象塞元素。

• 线程池CountableThreadPool的execute方法

这里有死锁的风险，当threadAlive数大于等于threadNum线程数，reentrantLock.lock()申请锁，循环condition.await()，与此同时 executorService.execute方法中的threadAlive的decrementAndGet也必须reentrantLock.lock()申请锁，此时，两方互相等待资源而造成死锁，这个小bug调整一下，无碍大局。到时候官方提一个issues

总体说来，Webmagic架构清晰，扩展容易，使用方便，是一款不错的爬虫框架。