Java-网络爬虫(三)
文章目录
- 前言
- 一、爬虫的分类
- 二、跳转页面的爬取
- 三、网页去重
- 四、综合案例
-
- 1. 案例三
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 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 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
<dependency>
<groupId>com.google.guavagroupId>
<artifactId>guavaartifactId>
<version>33.0.0-jreversion>
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)