一篇文章看懂爬虫

一、导读

    1、爬虫基础知识

    2、优秀国产开源爬虫框架webmagic剖析

二、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

    （1）、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。

    （2）、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。

    （3）、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。

    5、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。

三、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。

    上图复制于webmagic官方文档，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。

   Spider.create(new GithubRepoPageProcessor())
                //从"https://github.com/code4craft"开始抓
                .addUrl("https://github.com/code4craft")
                //开启5个线程抓取
                .thread(5)
                //启动爬虫
                .run();

  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

public Spider addUrl(String... urls) {
        for (String url : urls) {
            addRequest(new Request(url));
        }
        signalNewUrl();
        return this;
    }

private void addRequest(Request request) {
        if (site.getDomain() == null && request != null && request.getUrl() != null) {
            site.setDomain(UrlUtils.getDomain(request.getUrl()));
        }
        scheduler.push(request, this);
    }

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

    2、initComponent

  protected void initComponent() {
        if (downloader == null) {
            this.downloader = new HttpClientDownloader();
        }
        if (pipelines.isEmpty()) {
            pipelines.add(new ConsolePipeline());
        }
        downloader.setThread(threadNum);
        if (threadPool == null || threadPool.isShutdown()) {
            if (executorService != null && !executorService.isShutdown()) {
                threadPool = new CountableThreadPool(threadNum, executorService);
            } else {
                threadPool = new CountableThreadPool(threadNum);
            }
        }
        if (startRequests != null) {
            for (Request request : startRequests) {
                addRequest(request);
            }
            startRequests.clear();
        }
        startTime = new Date();
    }

      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

 public void run() {
        checkRunningStat();
        initComponent();
        logger.info("Spider {} started!",getUUID());
        while (!Thread.currentThread().isInterrupted() && stat.get() == STAT_RUNNING) {
            final Request request = scheduler.poll(this);
            if (request == null) {
                if (threadPool.getThreadAlive() == 0 && exitWhenComplete) {
                    break;
                }
                // wait until new url added
                waitNewUrl();
            } else {
                threadPool.execute(new Runnable() {
                    @Override
                    public void run() {
                        try {
                            processRequest(request);
                            onSuccess(request);
                        } catch (Exception e) {
                            onError(request);
                            logger.error("process request " + request + " error", e);
                        } finally {
                            pageCount.incrementAndGet();
                            signalNewUrl();
                        }
                    }
                });
            }
        }
        stat.set(STAT_STOPPED);
        // release some resources
        if (destroyWhenExit) {
            close();
        }
        logger.info("Spider {} closed! {} pages downloaded.", getUUID(), pageCount.get());
    }

        （1）、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

    （2）、等待新请求时间，默认是30s

 private void waitNewUrl() {
        newUrlLock.lock();
        try {
            //double check
            if (threadPool.getThreadAlive() == 0 && exitWhenComplete) {
                return;
            }
            newUrlCondition.await(emptySleepTime, TimeUnit.MILLISECONDS);
        } catch (InterruptedException e) {
            logger.warn("waitNewUrl - interrupted, error {}", e);
        } finally {
            newUrlLock.unlock();
        }
    }

    （3）、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

 private void onDownloadSuccess(Request request, Page page) {
        onSuccess(request);
        if (site.getAcceptStatCode().contains(page.getStatusCode())){
            pageProcessor.process(page);
            extractAndAddRequests(page, spawnUrl);
            if (!page.getResultItems().isSkip()) {
                for (Pipeline pipeline : pipelines) {
                    pipeline.process(page.getResultItems(), this);
                }
            }
        }
        sleep(site.getSleepTime());
        return;
    }

    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。

    （4）、线程池CountableThreadPool的execute方法

 public void execute(final Runnable runnable) {


        if (threadAlive.get() >= threadNum) {
            try {
                reentrantLock.lock();
                while (threadAlive.get() >= threadNum) {
                    try {
                        condition.await();
                    } catch (InterruptedException e) {
                    }
                }
            } finally {
                reentrantLock.unlock();
            }
        }
        threadAlive.incrementAndGet();
        executorService.execute(new Runnable() {
            @Override
            public void run() {
                try {
                    runnable.run();
                } finally {
                    try {
                        reentrantLock.lock();
                        threadAlive.decrementAndGet();
                        condition.signal();
                    } finally {
                        reentrantLock.unlock();
                    }
                }
            }
        });
    }

      当任务数大于初始约定的线程数时，该任务就会处于等待状态，直到condition signal发生，并通知被阻塞的线程，这里有点要注意，await会释放与condition关联的锁，当await返回时，该线程肯定是重新获得了与condition关联的锁。

    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。

 

快乐源于分享。

   此博客乃作者原创， 转载请注明出处