朱延剛

(南京信息工程大學(xué),江蘇 南京 210044))

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,各類互聯(lián)網(wǎng)平臺大量涌現(xiàn)。 但這些平臺在為網(wǎng)絡(luò)用戶提供豐富的媒體資源的同時,也增加了用戶直接高效獲取有用信息的難度,特別是具有行業(yè)性、專業(yè)性的信息,很容易淹沒在信息的海洋中。 僅僅通過傳統(tǒng)的搜索引擎獲取的檢索信息,已經(jīng)無法滿足更為專業(yè)的信息需求。 因此,如何對海量的信息進行歸納和提取變得十分重要。 目前,有很多針對特定場景設(shè)計的Java 爬蟲系統(tǒng),可以滿足如圖片下載[1]、特定技術(shù)主題或新聞媒體咨詢整合等多種特定需求[2-4]。 這些爬蟲系統(tǒng)的提出,都能針對特定的業(yè)務(wù)場景設(shè)計出針對性比較強的解決方案。 設(shè)計一種適用性和可擴展性更好的爬蟲信息采集系統(tǒng),不僅可以降低用戶構(gòu)建特定場景的爬蟲系統(tǒng)設(shè)計難度,還能提高設(shè)計者的開發(fā)效率。 本文基于WebMagic 框架,提出了一種適用性和可擴展性更好的開發(fā)框架。

1 技術(shù)介紹

1.1 HttpClient 和Jsoup

HttpClient 是Apache HttpComponentsTM項目負(fù)責(zé)創(chuàng)建和維護的一個基于HTTP 協(xié)議的Java 組件開發(fā)包。 HttpClient 與一般的瀏覽器不同,它不提供UI 界面,但是可以完成和瀏覽器相同的功能。 此外,還可以用來發(fā)送請求,接收服務(wù)器響應(yīng)數(shù)據(jù)。 因此,HttpClient 通常被開發(fā)人員作為API 來調(diào)用。 Jsoup是一個用于處理HTML 的Java 庫,可以提供一個非常便捷的API。 在網(wǎng)頁爬蟲中,Jsoup 主要用來從URL、文件或字符串中抓取和解析HTML,使用DOM 遍歷或CSS 選擇器查找和提取數(shù)據(jù),操作 HTML 元素、屬性和文本。 除此之外,它還能根據(jù)安全列表清理用戶提交的內(nèi)容,以防止 XSS 攻擊。

1.2 SpringData

SpringData 是被廣泛使用的Web 開發(fā)框架Spring的重要組成部分,用于簡化數(shù)據(jù)庫的訪問。 本文之所以介紹SpringData,是因為它具有強大的數(shù)據(jù)持久層的支持開發(fā)能力。 不僅支持關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)存儲,比如JDBC,JPA 等,也支持非關(guān)系型的數(shù)據(jù)存儲,比如Redis[5],ElasticSearch[6],Neo4j[7]等。 SpringData框架很好地提升了數(shù)據(jù)存儲層面的適用性和可擴展性。

1.3 WebMagic

目前,主流的Java 爬蟲框架主要有Nutch,Crawler4j,WebMagic,WebCollector 等。 這些爬蟲框架都有各自的優(yōu)缺點。 本文選擇WebMagic 作為基本的爬蟲框架,主要基于以下3 點:(1)WebMagic 的設(shè)計參考了業(yè)界比較成熟的爬蟲框架 Scrapy;(2)WebMagic 支持多線程任務(wù),能充分利用硬件資源,提高數(shù)據(jù)的處理速率;(3)WebMagic 的4 大組件Downloader,PageProcessor,Scheduler,Pipeline 對應(yīng)了爬蟲生命周期中的下載、處理、管理和持久化4 個過程。 對系統(tǒng)開發(fā)者來說,主要的業(yè)務(wù)代碼通常在PageProcessor 完 成 即 可。 其 他 的3 大 組 件, 即Downloader,Scheduler,Pipeline,也具有定制性。 系統(tǒng)設(shè)計者可以根據(jù)自己的需求,來修改完善組件的代碼。 因此,選擇WebMagic 框架作為基礎(chǔ)架構(gòu)能夠使整個系統(tǒng)具有更好的適應(yīng)性和可用性。

2 框架結(jié)構(gòu)設(shè)計

本文提出的基于WebMagic 的爬蟲框架,主要包含了3 個業(yè)務(wù)處理流程:頁面數(shù)據(jù)獲取、數(shù)據(jù)分析處理和數(shù)據(jù)存儲持久化。 每個業(yè)務(wù)流程也會提交或者產(chǎn)生不同階段的數(shù)據(jù)。 通過分析這些數(shù)據(jù)流,能促進系統(tǒng)設(shè)計者更好地理解系統(tǒng)結(jié)構(gòu),了解需要參與的實體,以及每個業(yè)務(wù)流程在每個階段需要完成的明確任務(wù)和目標(biāo)。 具體的結(jié)構(gòu)如圖1 所示。 本文將具體闡述每個框架結(jié)構(gòu)部分,具體的設(shè)計思路。

2.1 頁面數(shù)據(jù)獲取

對于頁面數(shù)據(jù)獲取而言,系統(tǒng)設(shè)計者在設(shè)計任何場景的網(wǎng)頁爬蟲系統(tǒng)時,都需要確定目標(biāo)信息定位,明確將哪些站點平臺作為信息來源,其選取的信息源的質(zhì)量越高,得到的信息就越有價值。 因此系統(tǒng)設(shè)計者是否能選取合適的站點,對于獲取數(shù)據(jù)頁面信息是至關(guān)重要的。 一般網(wǎng)頁獲取分為開放式和注冊登錄式。 前者的瀏覽權(quán)限比較低,使用者通過訪客模式就可以正常瀏覽站點信息,這種類型的頁面數(shù)據(jù)獲取比較容易。 相比之下,登錄注冊式的站點更加復(fù)雜,信息獲取的流程更為煩瑣。 本文針對登錄注冊式站點的頁面數(shù)據(jù)獲取流程做了簡要闡述。

對于登錄注冊式的頁面,用戶可以進行常規(guī)的注冊,然后獲取用戶名和密碼,再通過框架的API 接口,模擬瀏覽器登錄。 對于帶有圖片驗證的模擬登錄,其登錄過程也是目前的一個難點。 對于站點的分類分頁頁面數(shù)據(jù),系統(tǒng)設(shè)計者還要通過瀏覽器的開發(fā)者工具,分析HTTP 報文的請求頭和響應(yīng)頭以及響應(yīng)參數(shù)的特點。 設(shè)計者對請求頭的請求參數(shù)進行分析可以幫助其確定需要提交哪些請求參數(shù)。 設(shè)計者通過點擊分頁發(fā)起請求時,對應(yīng)的請求參數(shù)需要攜帶Cookie中的JSESSIONID,而當(dāng)設(shè)計者對這一請求所產(chǎn)生的響應(yīng)數(shù)據(jù)進行分析時,有時候可以得到一些JSON 字符串,也就是設(shè)計者需要提取的信息文本。

2.2 數(shù)據(jù)分析處理

系統(tǒng)設(shè)計者獲取了頁面的數(shù)據(jù)之后,需要進一步地對頁面數(shù)據(jù)進行分析處理。 這里的頁面數(shù)據(jù)的主要形式就是服務(wù)器響應(yīng)給請求端的HTML 標(biāo)簽,CSS樣式表等字符源碼。 為了更好地定位到需要的頁面標(biāo)簽數(shù)據(jù),系統(tǒng)設(shè)計者同樣可以借助瀏覽器的開發(fā)者工具,通過點擊元素檢查按鈕,迅速定位標(biāo)簽,提升數(shù)據(jù)分析效率。 在確定了具體的元素標(biāo)簽之后,系統(tǒng)設(shè)計者就可以借助WebMagic 3 種數(shù)據(jù)抽取技術(shù)(即XPath、CSS 選擇器和正則表達式)對需要的頁面數(shù)據(jù)進行分割提取,或者選擇相對獨立的Jsoup 開發(fā)庫作為數(shù)據(jù)抽取工具。

基于WebMagic 的爬蟲框架有一個比較大的優(yōu)點,就是支持多線程任務(wù)。 系統(tǒng)設(shè)計者可以充分利用開發(fā)平臺的硬件性能,減少數(shù)據(jù)抓取處理的時間,但是需要注意線程的安全性問題。 WebMagic 會自動提取頁面出現(xiàn)的HTTP 的請求連接,然后把它們放到請求的隊列中去。 如果有多個分類,每個分類還有多個頁面,而且每個分類頁面數(shù)據(jù)返回的時間也具有不確定性。 如果系統(tǒng)設(shè)計者在同一個PageProcessor 里處理業(yè)務(wù)邏輯,就要考慮多線程條件下的線程安全問題,否則將無法保證結(jié)果數(shù)據(jù)的準(zhǔn)確可靠。

2.3 數(shù)據(jù)持久化

系統(tǒng)設(shè)計者在獲得了目標(biāo)數(shù)據(jù)之后,為了便于后期進一步對數(shù)據(jù)進行分析提取,就要解決數(shù)據(jù)的存儲問題。 目前,數(shù)據(jù)存儲主要有兩種方案:關(guān)系型數(shù)據(jù)持久方案和非關(guān)系型數(shù)據(jù)持久方案。 系統(tǒng)設(shè)計者最終選取何種數(shù)據(jù)存儲方案更合適,需要根據(jù)自身的業(yè)務(wù)需求和特點并結(jié)合下一步對數(shù)據(jù)處理需要采取的具體策略來確定。 關(guān)系型數(shù)據(jù)持久方案的優(yōu)點是易于維護,支持通用的SQL 查詢語句,且支持事務(wù)處理。但它也有缺點,即讀寫較慢,不適合對I/O 要求高的操作。 非關(guān)系型數(shù)據(jù)持久方案存儲數(shù)據(jù)的結(jié)構(gòu)靈活,還支持內(nèi)存存儲,所以讀寫性能較好,查詢速度快,但它的缺點是不支持通用的SQL 查詢,基本也不支持事務(wù)處理,且對于初學(xué)者來說,其學(xué)習(xí)成本也更高。

基于WebMagic 的爬蟲框架使用了Pipeline 數(shù)據(jù)持久化組件,并提供了3 個實現(xiàn)類:用于向控制臺輸出的ConsolePipeline 類,用于向磁盤輸出文件的FilePipeline 類,還有用于保存Json 格式文件的JsonFilePipeline 類。 系統(tǒng)設(shè)計者可以根據(jù)需要定制合適的Pipeline,以實現(xiàn)對數(shù)據(jù)的持久化存儲。 系統(tǒng)設(shè)計者可以把Pipeline 作為一個可選的組件,因為WebMagic 作為一種Java 開發(fā)平臺本身就擁有很好的靈活性,設(shè)計者可以使用個性化的數(shù)據(jù)持久化組件,例如,設(shè)計者可以把本文技術(shù)介紹部分提到的SpringData 框架作為組件,從而發(fā)揮該框架支持的多種數(shù)據(jù)類型的持久化功能。 系統(tǒng)設(shè)計者可以進一步提升系統(tǒng)的適用性和可擴展性以及對抓取數(shù)據(jù)后期的可用性。 這些系統(tǒng)提升有利于對數(shù)據(jù)進行更深層次的處理。

3 技術(shù)實現(xiàn)

3.1 創(chuàng)建頁面數(shù)據(jù)爬取業(yè)務(wù)實現(xiàn)類

基于WebMagic 爬蟲框架的系統(tǒng)設(shè)計中,一般不可缺少的組件是PageProcessor。 通過這個組件,系統(tǒng)設(shè)計者可以對頁面數(shù)據(jù)分析處理邏輯進行設(shè)計,而具體的邏輯設(shè)計需要根據(jù)具體的業(yè)務(wù)需求來確定。PageProcessor 組件也定義實現(xiàn)了一些具有HttpClient功能的對象,比如Site 對象。 站點本身的一些配置信息,例如編碼、HTTP 頭、超時時間、重試策略和代理等,都可以通過設(shè)置Site 對象來進行配置,增強框架的功能。 下面展示了一個帶分頁的爬蟲數(shù)據(jù)分析提取的例子,部分核心代碼如下:

class DemoProcessor implements PageProcessor {

/ /站點對象參數(shù)設(shè)置

private Site site = Site.me()

.setCharset("UTF-8")/ /設(shè)置編碼

.setTimeOut(10000)/ /超時時間

.setRetrySleepTime(3000)/ /重試時間

.setSleepTime(10);/ /重試次數(shù)

public Site getSite() {return site;}

public void process(Page page) {

/ /編寫頁面數(shù)據(jù)分析處理代碼

/ /獲取頁面上的HTTP 鏈接

String pageUrl = page.getUrl().toString();

/ /將頁面的HTML 標(biāo)簽通過Jsoup 生成一個可解析的文檔

Document doc = Jsoup. parse(page. getHtml().toString());

/ /借助開發(fā)者工具定位標(biāo)簽元素解析數(shù)據(jù)

String div = doc.select("div[module-name=icbupc-productListPc]").attr("module-data");

/ /對數(shù)據(jù)進行URLDecode 解碼

String decode = URLDecoder.decode(div);

/ /將字符串轉(zhuǎn)化成JSON 對象進行解析

JSONObject jsonObject =JSON. parseObject(decode);

/ /獲得當(dāng)前分類是數(shù)據(jù)總數(shù)目

Integer totalLines = jsonObject. getJSONObject("mds")

. getJSONObject(" pageNavView"). getInteger("totalLines");

/ /獲取當(dāng)前分頁的頁碼

Integer pageLines = jsonObject. getJSONObject("mds")

. getJSONObject(" pageNavView"). getInteger("pageLines");

/ /獲取當(dāng)前分類的總頁數(shù)

int totalPage = (totalLines + pageLines - 1) /pageLines;

}}

3.2 創(chuàng)建爬蟲業(yè)務(wù)的啟動入口

Spider 對象是爬蟲啟動的入口對象。 在這個入口對象create 方法的內(nèi)部,系統(tǒng)設(shè)計者可以傳入完成的頁面數(shù)據(jù)爬取業(yè)務(wù)實現(xiàn)類DemoProcessor,然后再調(diào)用run 方法進行啟動。 此外,另一個在Spider 對象上比較常用的方法是addUrl,系統(tǒng)設(shè)計者可以用這個方法來添加初始的URL 地址參數(shù)。 該地址參數(shù)一般就是站點的入口地址。 Spider 對象的部分核心代碼如下:

Spider. create (newDemoProcessor ( ))/ /傳入PageProcessor 參數(shù)

.addUrl(URL)/ /初始的URL

.thread(10)/ /開啟的線程數(shù)

.run();

Spider 對象還提供一個addPipeline 方法,顧名思義,這個方法主要是用于傳入設(shè)計人員自定義的Pipeline 組件對象的。

3.3 創(chuàng)建數(shù)據(jù)持久化邏輯接口

關(guān)于如何把獲取的提取數(shù)據(jù)進行持久化的問題,本文在框架結(jié)構(gòu)設(shè)計部分已經(jīng)做了闡述。 如果系統(tǒng)設(shè)計者將得到的目標(biāo)數(shù)據(jù)保存成文件的形式,則不利于大數(shù)據(jù)量的管理和查詢。 對此,本文認(rèn)為,系統(tǒng)設(shè)計者需要對數(shù)據(jù)進行數(shù)據(jù)庫的持久化設(shè)計。

3.3.1 通過定制Pipeline 的方式

通過Pipeline 有兩種導(dǎo)入數(shù)據(jù)庫的方式:注解方式和常規(guī)的代碼方式。 系統(tǒng)設(shè)計者可以定義一個名為AnnotationObjectDaoPipeline 的注解類,具體代碼如下:

@Component("AnnotationObjectDaoPipeline")

public class AnnotationObjectDaoPipeline implements PageModelPipeline