某新闻网站爬虫开发实战
1、需求说明
1.1、基本情况说明
1.2、需求分析
1.3、功能分析
1、 需求说明
1.1、基本情况说明
网站类型:新闻(自媒体)通过高质量的文章或者新闻获取更多的用户,从构建商业模式
爬虫爬取的范围:爬取首页(包含详情页的连接)、爬取新闻的详情页、
1.2、需求分析
通过解析首页,得到首页包含的新闻的列表信息
为了获取完整的信息,我们需要自动操作分页按钮。
分页请求的url:
https://www.huxiu.com/v2_action/article_list
* 分页提交的header
Accept:application/json, text/javascript, */*; q=0.01
Accept-Encoding:gzip, deflate
Accept-Language:zh-CN,zh;q=0.8
Connection:keep-alive
Content-Length:80
Content-Type:application/x-www-form-urlencoded; charset=UTF-8
Cookie:SERVERID=6d35b07e250aadfe8b4fbf72aeadecb9|1504659560|1504658827
Host:www.huxiu.com
Origin:https://www.huxiu.com
Referer:https://www.huxiu.com/
User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36
X-Requested-With:XMLHttpRequest
分页POST提交的参数
huxiu_hash_code:353a9683918c807f5f783dc1df116fad 用来标识当前用户(浏览器)
* page:2-----total_page
当前的分页编码
* last_dateline:1504534200
时间
分页请求的返回值
result: 1, msg: "获取成功",…}
data:"
last_dateline:"1504321620"
msg:"获取成功"
result:1
total_page:1585
1.3、功能分析
获取首页的html文档
解析首页的html文档获得article urls
迭代urls,一次请求每个url。
在解析单个新闻详情页,只需要内容
文章对象:标题、正文、作者、发布时间、评论数、点赞数、收藏数
获取分页的html文档
发起分页的请求,传递三个参数,有两个变量。
分页编号
第一次分页 startpage=2
第二次分页 startpage=3
last_dataline
第一分页时,需要从首页中解析last_datalien
第二次分页时,从上一个分页请求的返回值中获取。
编写for自动执行分页
将结果数据保存起来
连接数据库:jdbctemplate
2、代码开发
2.1、创建maven的项目
导入pom依赖
httpclient:用来做网络请求
jsoup:用来解析html文档
spring-jdbc:使用spring jdbctemplate
mysql的驱动包:mysql-java-connector.jar
解析json串的包(alibaba fastjson(性能好),google Gson)
如何寻找pom依赖
mvnrepository
maven.org
项目依赖的pom
org.apache.httpcomponents
httpclient
4.5.3
org.jsoup
jsoup
1.10.3
org.springframework
spring-jdbc
4.2.6.RELEASE
mysql
mysql-connector-java
5.1.41
c3p0
c3p0
0.9.1.2
com.alibaba
fastjson
1.2.31
com.google.code.gson
gson
2.8.1
3、优化爬虫
3.1、使用多线程
创建线程的三种方式
继承Thread
实现runable接口
创建有返回值的线程
第一步:实现callable接口,复写call方法,得到一个返回值
第二步:创建FutureTask类,将callable对象传入。
第三步:使用Thread,运行FutureTask
第四步:等待10秒
第五步:通过FutureTask.get() 获取返回值
3.2、使用线程池 Executors
问题:
发现使用多线程,如果没有线程池,就会增加系统开销。
网卡的网络资源
CPU的计算资源
物理内存 每创建一个线程要消耗1M的内存
循环利用创建好的线程
定时器的两种方式 1)固定周期执行 2)执行完上一次之后再隔一定周期后执行
3.3、使用线程池优化爬虫
3.4、性能优化的思考方向
多线程,是提高了访问网络的速度
数据库的连接池,是数据库的连接复用。
批量存储
解析文档的时候可以优化
总结: 在做系统的优化时,将系统分解成各个模块。比如:网络请求模块,数据处理模块,数据保存模块。然后针对不同的模块进行针对性的优化。