Java-网络爬虫(三)

---

上篇：Java-网络爬虫(二)

前言

上篇文章介绍了 webMagic，通过一个简单的入门案例，对 webMagic 的核心对象和四大组件都做了简要的说明，以下内容则是继续对 webMagic 的讲解

---

一、爬虫的分类

爬虫按照系统结构和实现技术，大致可以分为以下几种类型：

通用网络爬虫（General Purpose Web Crawler）

也被称为全网爬虫，这种爬虫的爬取目标资源在全互联网中，爬取目标数据巨大。它主要用于为大型搜索引擎和门户网站采集数据。这类爬虫对于爬行速度和存储空间要求较高，对于爬行页面的顺序要求相对较低，同时由于待刷新的页面比较多，通常采用并行工作方式，但需要较长时间才能刷新一次页面，简单的说就是互联网上抓取所有数据。通用网络爬虫的基本构成包括初始 URL 集合、URL 队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块等。

聚焦网络爬虫（Focused Web Crawler）

也被称为主题网络爬虫，这种爬虫选择性地爬取那些与预先定义好的主题相关的页面。聚焦网络爬虫的目标是只抓取互联网上某一种数据。和通用网络爬虫相比，聚焦爬虫只需要爬行与主题相关的页面，极大地节省了硬件和网络资源，保存的页面也由于少量而更新快，还可以很好地满足一些特定人群对特定领域信息的需求。

量式网络爬虫（Incremental Web Crawler）

这种爬虫会不断爬取数据，但仅爬取新产生的或者已经发生变化的网页，它能够在一定程度上保证所爬行的页面是尽可能新的页面。和周期性爬行和刷新页面的网络爬虫相比，增量式爬虫只会在需要的时候爬行新产生或发生更新的页面，并不重新下载没有发生变化的页面，可有效减少数据下载量，及时更新已爬行的网页，减小时间和空间上的耗费，但是增加了爬行算法的复杂度和实现难度。

深层网络爬虫（Deep Web Crawler）

也被称为深网爬虫，这种爬虫主要抓取隐藏在搜索表单后的、不能通过静态链接获取的网页。这些页面只有当用户提交一些关键词才能获得。

---

二、跳转页面的爬取

在很多情况下，当我们爬取一个页面的信息时，要通过一些链接进入到其它的页面，进而继续爬取更多的信息

从上文介绍 webMagic 的原理中可以知道，只需要将待处理的 Request 放入 Scheduler 中就行了，Spider 会从 Scheduler 拉取 Requset 进行抓取，可以通过 page.addTargetRequests(Iterable<String> requests) 实现这一步，代码如下：

    @Override
    public void process(Page page) {

		// 解析处理
		...

	        // 待抓取的 URL
        List<String> waitUrls = new ArrayList<>();
        waitUrls.add("url_1");
        waitUrls.add("url_2");
        waitUrls.add("url_3");
        // 将待抓取的 URL 追加到 targetRequests 中
        page.addTargetRequests(waitUrls);
		
		// 持久化处理
		...
	}

同样我们可以去追寻源码，进入到 addTargetRequests(Iterable<String> requests) 方法中：

好像也没有看到将 Request 放入到 Scheduler 中，再看回 spider.run() 方法：

进入到 processRequest(Request request) 方法：

从上述源码可知，在运行完 process() 方法后会进入到一个 extractAndAddRequests() 方法来添加一些额外的 Requests，而这些 Requests 其实就是前面通过 page.addTargetRequests() 添加进去的，不妨再看看 extractAndAddRequests() 这个方法

到这里就可以看到通过 page.addTargetRequests() 这个方法确实会将待处理的 URL 全部推送至 Scheduler 中

---

三、网页去重

倘若出现了这么一种场景，在页面 web_1 中有跳转到页面 web_2 的 URL，而在网页 web_2 中也存在着跳转到网页 web_1 的 URL

那么就会出现这样一种现象，就是 web_1 和 web_2 这两个页面会被无休止的重复解析，这显然是不合理的，所以我们需要记录下已被解析过的页面，让其不能重复解析，这就是页面的去重

对于页面的去重，可以采取很多种方式，这里我就列举三种常用的方法：

• HashSet 去重：使用 Java 中的 HashSet 不能重复的特点进行去重
  • 优点：容易理解，使用方便
  • 缺点：占用内存大，性能较低
• Redis 去重：使用 redis 的 set 进行去重
  • 优点：速度快，而且去重不会占用爬虫服务器的资源，可以处理更大数据量的数据爬取
  • 缺点：需要准备 redis 服务器，成本增加
• 布隆过滤器（BloomFilter）：使用布隆过滤器的特性进行去重
  • 优点：相比于 HashSet 去重更快，更加节省内存，也适用于大量数据的去重
  • 缺点：有误判的可能，没有重复可能会被判断为重复，但是重复数据一定会判定重复

关于布隆过滤器的原理可参见博客：Java-布隆过滤器的实现

实际上 webbMagic 提供的 Scheduler 组件已经帮我们解决了上述问题，Scheduler 不仅会将待抓取的 URL 放到队列中进行管理，还会对比已抓取的 URL 进行去重

webMagic 内置了几个常用的 Scheduler，如果只是本地执行规模比较小的爬虫，基本无需定制 Scheduler

类	说明	备注
DuplicateRemovedScheduler	抽象基类，提供了一些模板方法	继承它可以实现自己的功能
QueueScheduler	使用内存队列保存待抓取的 URL	如果数据量比较庞大的话，可能会造成内存溢出
PriorityScheduler	使用带有优先级的内存队列保存待抓取的 URL	耗费内存较 QueueScheduler 更大，但是当设置了 request.priority 之后，只能使用 PriorityScheduler 才可使优先级生效
FileCacheQueueScheduler	webMagic-extension 提供，使用文件保存抓取 URL，可以在关闭程序并下次启动时，从之前抓取到的 URL 继续抓取	需要指定文件存放路径，会建立 urls.txt 和 cursor.txt 两个文件
RedisScheduler	webMagic-extension 提供，使用 redis 保存抓取队列，可进行多台机器同时合作抓取	需要安装并启动 redis
RedisPriorityScheduler	webMagic-extension 提供，使用 redis 保存抓取队列，可设置优先级	需要安装并启动 redis

去重部分被单独抽象成了一个接口 — DuplicateRemover

public interface DuplicateRemover {

    boolean isDuplicate(Request var1, Task var2);

    void resetDuplicateCheck(Task var1);

    int getTotalRequestsCount(Task var1);
}

从而可以为同一个 Scheduler 选择不同的去重方式，以适配不同的需要，目前提供了两种去重方式：

类	说明
HashSetDuplicateRemover	使用 HashSet 来进行去重，占用内存较大
BloomFilterDuplicateRemover	webMagic-extension 提供，使用 BloomFilter 来进行去重，占用内存较小，但是可能漏抓页面

除了 RedisScheduler 和 RedisPriorityScheduler 是使用 redis 的 set 进行去重，其它的 Scheduler 默认使用 HashSetDuplicateRemover 进行去重的

我们可以通过类图类验证，DuplicateRemovedScheduler 是其它的 Scheduler 的基类，在 DuplicateRemovedScheduler 中使用的就是 HashSetDuplicateRemover，所以其它的 Scheduler 也继承了这一点

但是 RedisScheduler 实现了 DuplicateRemover 接口，重写了其中的去重逻辑，使用 set 来存储 url，而 RedisPriorityScheduler 又继承了 RedisScheduler，所以这两个是使用了 redis 的 set 进行去重的

如果需要使用到布隆过滤器进行去重，则需要进行设置

在设置之前还需要先添加 guava 依赖，因为 webMagic-extension 中使用的布隆过滤器是 guava 中的 BloomFilter

maven 导入 guava 依赖

<!-- guava -->
<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>33.0.0-jre</version>
</dependency>

代码设置 Scheduler 使用布隆过滤器

        // 创建 scheduler
        QueueScheduler scheduler = new QueueScheduler();
        // 设置 scheduler 使用布隆过滤器，预计存放一百万条数据
        scheduler.setDuplicateRemover(new BloomFilterDuplicateRemover(1000000));
        // Spider 设置 scheduler
        spider.setScheduler(scheduler);

---

四、综合案例

1. 案例三

下载食品营养成分查询平台的所有页面持久化到本地磁盘中

分析：

• ① 如果需要爬到该网站的所有页面，就需要将每个页面的超链接放入待处理 URL 中
• ② 对网页进行去重处理，可以使用布隆过滤器
• ③ 要将网页内容持久化到本地磁盘可以使用 FilePipeline

代码如下：

import com.google.common.base.Charsets;
import org.apache.commons.lang3.StringUtils;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.FilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.scheduler.BloomFilterDuplicateRemover;
import us.codecraft.webmagic.scheduler.QueueScheduler;
import us.codecraft.webmagic.selector.Html;
import java.util.Collections;
import java.util.List;

public class WebMagicDemo01 implements PageProcessor {

    @Override
    public void process(Page page) {

        // 获取当前页面的 Html 对象
        Html html = page.getHtml();

        // 获取页面上所有的链接
        List<String> links = html.links().all();
        // 放入待处理 url 中
        page.addTargetRequests(links);

        // 将 html 内容放置 resultItems 中
        page.putField("html", html.get());
    }

    @Override
    public Site getSite() {
        // 返回自定义 Site
        return Site.me()
                // 设置字符集
                .setCharset(Charsets.UTF_8.name())
                // 设置超时时间：5000(单位毫秒)
                .setTimeOut(5000)
                // 设置重试间隔时间：3000(单位毫秒)
                .setRetrySleepTime(3000)
                // 设置重试次数：5
                .setRetryTimes(5);
    }

    public static void main(String[] args) {

        // 创建 spider
        Spider spider = Spider.create(new WebMagicDemo01());

        // 创建 scheduler
        QueueScheduler scheduler = new QueueScheduler();
        // 设置 scheduler 使用布隆过滤器，预计存放一百万条数据
        scheduler.setDuplicateRemover(new BloomFilterDuplicateRemover(1000000));
        // Spider 设置 scheduler
        spider.setScheduler(scheduler);

        // 创建 filePipeline
        FilePipeline filePipeline = new FilePipeline();
        // 设置存放路径
        filePipeline.setPath("D:\\web-magic\\download-page");
        // Spider 设置 pipeline
        spider.setPipelines(Collections.singletonList(filePipeline));

        // 设置初始 URL
        spider.addUrl("http://yycx.yybq.net/");

        // 开启 2 个线程
        spider.thread(2);
        // 异步爬取
        spider.runAsync();
    }
}

可以看到指定文件夹下就开始下载这个网站的页面文件了

将下载的 html 文件内容和网页源码对比，可以看见基本上是一致的，不过多了一点内容

在游览器上打开下载的 html 文件

可以看到虽然下载的 html 文件中的内容和网页源代码几乎一样，但是却没有样式，图片也显示不了，链接跳转过去也是 404，原因是在源码中有关资源的路径使用的都是相对路径，而本地没有这些资源当然访问不了

如果想要解决上述问题：

• ① 去除多余的内容
• ② 游览器打开下载的 html 文件，资源部分未能加载

解决方案：

• 问题 ①：重写 FilePipeline 去除打印多余部分的代码
• 问题 ②：将有关资源的路径前全部加上起始网页地址

改进后代码：

import com.google.common.base.Charsets;
import org.apache.commons.codec.digest.DigestUtils;
import org.apache.commons.lang3.StringUtils;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import us.codecraft.webmagic.*;
import us.codecraft.webmagic.pipeline.FilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.scheduler.BloomFilterDuplicateRemover;
import us.codecraft.webmagic.scheduler.QueueScheduler;
import us.codecraft.webmagic.selector.Html;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.io.PrintWriter;
import java.util.Collections;
import java.util.Iterator;
import java.util.List;
import java.util.Map;

public class WebMagicDemo01 implements PageProcessor {

    @Override
    public void process(Page page) {

        // 获取当前页面的 Html 对象
        Html html = page.getHtml();

        // 获取页面上所有的链接
        List<String> links = html.links().all();
        // 放入待处理 url 中
        page.addTargetRequests(links);


        // 获取所有的 src 属性
        Document document = html.getDocument();
        Elements srcElements = document.select("script,img");
        for (Element element : srcElements) {
            if (StringUtils.isNotBlank(element.baseUri())) {
                String src = element.attr("abs:src");
                // 重新设置属性
                element.attr("src", src);
            }
        }

        // 获取所有的标签属性
        Elements aElements = document.select("a,link");
        for (Element element : aElements) {
            if (StringUtils.isNotBlank(element.baseUri())) {
                String href = element.attr("abs:href");
                // 重新设置属性
                element.attr("href", href);
            }
        }

        // 将 html 内容放置 resultItems 中
        page.putField("html", html.get());
    }

    @Override
    public Site getSite() {
        // 返回自定义 Site
        return Site.me()
                // 设置字符集
                .setCharset(Charsets.UTF_8.name())
                // 设置超时时间：5000(单位毫秒)
                .setTimeOut(5000)
                // 设置重试间隔时间：3000(单位毫秒)
                .setRetrySleepTime(3000)
                // 设置重试次数：5
                .setRetryTimes(5);
    }

    public static void main(String[] args) {

        // 创建 spider
        Spider spider = Spider.create(new WebMagicDemo01());

        // 创建 scheduler
        QueueScheduler scheduler = new QueueScheduler();
        // 设置 scheduler 使用布隆过滤器，预计存放一百万条数据
        scheduler.setDuplicateRemover(new BloomFilterDuplicateRemover(1000000));
        // Spider 设置 scheduler
        spider.setScheduler(scheduler);

        // 创建 filePipeline
        FilePipeline filePipeline = new MyFilePipeline();
        // 设置存放路径
        filePipeline.setPath("D:\\web-magic\\download-page");
        // Spider 设置 pipeline
        spider.setPipelines(Collections.singletonList(filePipeline));

        // 设置初始 URL
        spider.addUrl("http://yycx.yybq.net/");

        // 开启 2 个线程
        spider.thread(2);
        // 异步爬取
        spider.runAsync();
    }
}

/**
 * 继承 FilePipeline
 */
class MyFilePipeline extends FilePipeline {

    /**
     * 重写 FilePipeline 中的 process 方法
     * 去除打印多余部分的代码
     */
    @SuppressWarnings("all")
    public void process(ResultItems resultItems, Task task) {
        String path = this.path + PATH_SEPERATOR + task.getUUID() + PATH_SEPERATOR;

        try {
            PrintWriter printWriter = new PrintWriter(new OutputStreamWriter(new FileOutputStream(this.getFile(path + DigestUtils.md5Hex(resultItems.getRequest().getUrl()) + ".html")), "UTF-8"));
            Iterator var5 = resultItems.getAll().entrySet().iterator();

            while(true) {
                while(var5.hasNext()) {
                    Map.Entry<String, Object> entry = (Map.Entry)var5.next();
                    if (entry.getValue() instanceof Iterable) {
                        Iterable value = (Iterable)entry.getValue();
                        Iterator var8 = value.iterator();

                        while(var8.hasNext()) {
                            Object o = var8.next();
                            printWriter.println(o);
                        }
                    } else {
                        printWriter.println((String)entry.getValue());
                    }
                }
                printWriter.close();
                break;
            }
        } catch (IOException var10) {
            var10.printStackTrace();
        }
    }
}

再使用游览器打开新下载好的 html 文件就会能看到，其样式也官方网站的效果一样了

PS：以上案例只做学习爬虫使用，切勿恶意攻击他人网站

上篇：Java-网络爬虫(二)