java之网络爬虫介绍

文章大纲

一、网络爬虫基本介绍
二、java常见爬虫框架介绍
三、WebCollector实战
四、项目源码下载
五、参考文章

一、网络爬虫基本介绍

1. 什么是网络爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

2. 常见问题介绍

爬虫可以爬取ajax信息么？
网页上有一些异步加载的数据，爬取这些数据有两种方法：使用模拟浏览器（问题1中描述过了），或者分析ajax的http请求，自己生成ajax请求的url，获取返回的数据。如果是自己生成ajax请求，使用开源爬虫的意义在哪里？其实是要用开源爬虫的线程池和URL管理功能（比如断点爬取）。
如果我已经可以生成我所需要的ajax请求（列表），如何用这些爬虫来对这些请求进行爬取？
爬虫往往都是设计成广度遍历或者深度遍历的模式，去遍历静态或者动态页面。爬取ajax信息属于deep web（深网）的范畴，虽然大多数爬虫都不直接支持。但是也可以通过一些方法来完成。比如WebCollector使用广度遍历来遍历网站。爬虫的第一轮爬取就是爬取种子集合(seeds)中的所有url。简单来说，就是将生成的ajax请求作为种子，放入爬虫。用爬虫对这些种子，进行深度为1的广度遍历（默认就是广度遍历）。

爬虫支持多线程么、爬虫能用代理么、爬虫会爬取重复数据么、爬虫能爬取JS生成的信息么？
能不能爬js生成的信息和爬虫本身没有太大关系。爬虫主要是负责遍历网站和下载页面。爬js生成的信息和网页信息抽取模块有关，往往需要通过模拟浏览器(htmlunit,selenium)来完成。这些模拟浏览器，往往需要耗费很多的时间来处理一个页面。所以一种策略就是，使用这些爬虫来遍历网站，遇到需要解析的页面，就将网页的相关信息提交给模拟浏览器，来完成JS生成信息的抽取。

爬虫怎么保存网页的信息？
有一些爬虫，自带一个模块负责持久化。比如webmagic，有一个模块叫pipeline。通过简单地配置，可以将爬虫抽取到的信息，持久化到文件、数据库等。还有一些爬虫，并没有直接给用户提供数据持久化的模块。比如crawler4j和webcollector。让用户自己在网页处理模块中添加提交数据库的操作。至于使用pipeline这种模块好不好，就和操作数据库使用ORM好不好这个问题类似，取决于你的业务。

爬虫怎么爬取要登陆的网站？
这些开源爬虫都支持在爬取时指定cookies，模拟登陆主要是靠cookies。至于cookies怎么获取，不是爬虫管的事情。你可以手动获取、用http请求模拟登陆或者用模拟浏览器自动登陆获取cookie。

爬虫怎么抽取网页的信息？
开源爬虫一般都会集成网页抽取工具。主要支持两种规范：CSS SELECTOR和XPATH。至于哪个好，这里不评价。

明明代码写对了，爬不到数据，是不是爬虫有问题，换个爬虫能解决么？
如果代码写对了，又爬不到数据，换其他爬虫也是一样爬不到。遇到这种情况，要么是网站把你封了，要么是你爬的数据是javascript生成的。爬不到数据通过换爬虫是不能解决的。

爬虫速度怎么样？
单机开源爬虫的速度，基本都可以讲本机的网速用到极限。爬虫的速度慢，往往是因为用户把线程数开少了、网速慢，或者在数据持久化时，和数据库的交互速度慢。而这些东西，往往都是用户的机器和二次开发的代码决定的。

爬虫被网站封了怎么办？
爬虫被网站封了，一般用多代理（随机代理）就可以解决。但是这些开源爬虫一般没有直接支持随机代理ip的切换。

二、java常见爬虫框架介绍

1. Apache Nutch

（1）官方网站：http://nutch.apache.org/
（2）是否支持分布式：是
（3）可扩展性：中。Apache Nutch并不是一个可扩展性很强的爬虫，它是一个专门为搜索引擎定制的网络爬虫，虽然Apache Nutch具有一套强大的插件机制，但通过定制插件并不能修改爬虫的遍历算法、去重算法和爬取流程。
（4）适用性：Apache Nutch是为搜索引擎定制的爬虫，具有一套适合搜索引擎的URL维护机制（包括URL去重、网页更新等），但这套机制并不适合目前大多数的精抽取业务（即结构化数据采集）。
（5）上手难易度：难。需要使用者熟悉网络爬虫原理、hadoop开发基础及linux shell，且需要熟悉Apache Ant

2. WebCollector

（1）官方网站：https://github.com/CrawlScript/WebCollector
（2）可扩展性：强
（3）适用性：WebCollector适用于精抽取业务。
（4）上手难易度：简单

3. WebMagic

（1）官方网站：http://git.oschina.net/flashsword20/webmagic
（2）是否支持分布式：否
（3）可扩展性：强
（4）适用性：WebMagic适用于精抽取业务。
（5）上手难易度：简单。

4. Crawler4j

（1）官方网站：https://github.com/yasserg/crawler4j
（2）是否支持分布式：否
（3）可扩展性：低。Crawler4j实际上是一个单机版的垂直爬虫，其遍历算法是一种类似泛爬的算法，虽然可以添加一些限制，但仍不能满足目前大部分的精抽取业务。另外，Crawler4j并没有提供定制http请求的接口，因此Crawler4j并不适用于需要定制http请求的爬取业务（例如模拟登陆、多代理切换）。
（4）上手难易度：简单

三、WebCollector实战

1. WebCollector与传统网络爬虫的区别

传统的网络爬虫倾向于整站下载，目的是将网站内容原样下载到本地，数据的最小单元是单个网页或文件。而WebCollector可以通过设置爬取策略进行定向采集，并可以抽取网页中的结构化信息。

2. WebCollector与HttpClient、Jsoup的区别

WebCollector是爬虫框架，HttpClient是Http请求组件，Jsoup是网页解析器（内置了Http请求功能）。
一些程序员在单线程中通过迭代或递归的方法调用HttpClient和Jsoup进行数据采集，这样虽然也可以完成任务，但存在两个较大的问题：
（1）单线程速度慢，多线程爬虫的速度远超单线程爬虫。
（2）需要自己编写任务维护机制。这套机制里面包括了URL去重、断点爬取（即异常中断处理）等功能。
WebCollector框架自带了多线程和URL维护，用户在编写爬虫时无需考虑线程池、URL去重和断点爬取的问题。

3. WebCollector能够处理的量级

WebCollector目前有单机版和Hadoop版（WebCollector-Hadoop），单机版能够处理千万级别的URL，对于大部分的精数据采集任务，这已经足够了。WebCollector-Hadoop能够处理的量级高于单机版，具体数量取决于集群的规模。

4. WebCollector的遍历

WebCollector采用一种粗略的广度遍历，但这里的遍历与网站的拓扑树结构没有任何关系，用户不需要在意遍历的方式。
网络爬虫会在访问页面时，从页面中探索新的URL，继续爬取。WebCollector为探索新URL提供了两种机制，自动解析和手动解析。

5. 代码实战

maven引入依赖

   <dependencies>

        <dependency>

            <groupId>cn.edu.hfut.dmic.webcollector</groupId>

            <artifactId>WebCollector</artifactId>

            <version>2.73-alpha</version>

        </dependency>

    </dependencies>

自动解析

import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;

import cn.edu.hfut.dmic.webcollector.model.Page;

import cn.edu.hfut.dmic.webcollector.plugin.berkeley.BreadthCrawler;

public class AutoNewsCrawler extends BreadthCrawler {

    public AutoNewsCrawler(String crawlPath, boolean autoParse) {

        super(crawlPath, autoParse);

        this.addSeed("http://news.hfut.edu.cn/list-1-1.html");//种子页面，起始页面

        //正则规则设置 寻找符合http://news.hfut.edu.cn/show-xxxxxxhtml的url

        this.addRegex("http://news.hfut.edu.cn/show-.*html");

        this.addRegex("-.*\\.(jpg|png|gif).*");

        //不要爬取包含 #的URL

        this.addRegex("-.*#.*");

        setThreads(50);//线程数

        getConf().setTopN(100);//设置每次迭代中爬取数量的上限

            //设置是否为断点爬取，如果设置为false，任务启动前会清空历史数据。

            //如果设置为true，会在已有crawlPath(构造函数的第一个参数)的基础上继

            //续爬取。对于耗时较长的任务，很可能需要中途中断爬虫，也有可能遇到

            //死机、断电等异常情况，使用断点爬取模式，可以保证爬虫不受这些因素

            //的影响，爬虫可以在人为中断、死机、断电等情况出现后，继续以前的任务

            //进行爬取。断点爬取默认为false*/

//        setResumable(true);

    }

    /*

        visit函数定制访问每个页面时所需进行的操作

    */

    @Override

    public void visit(Page page, CrawlDatums next) {

        String url = page.url();

        //如果页面地址如何我们要求

        if (page.matchUrl("http://news.hfut.edu.cn/show-.*html")) {

            String title = page.select("div[id=Article]>h2").first().text();//获取url标题

            String content = page.selectText("div#artibody");

            System.out.println("URL:\n" + url);//地址

            System.out.println("title:\n" + title);//标题

            System.out.println("content:\n" + content);//内容

                        /*如果你想添加新的爬取任务，可以向next中添加爬取任务，

               这就是上文中提到的手动解析*/

            /*WebCollector会自动去掉重复的任务(通过任务的key，默认是URL)，

              因此在编写爬虫时不需要考虑去重问题，加入重复的URL不会导致重复爬取*/

            /*如果autoParse是true(构造函数的第二个参数)，爬虫会自动抽取网页中符合正则规则的URL，

              作为后续任务，当然，爬虫会去掉重复的URL，不会爬取历史中爬取过的URL。

              autoParse为true即开启自动解析机制*/

            //next.add("http://xxxxxx.com");

        }

    }

    public static void main(String[] args) throws Exception {

        AutoNewsCrawler crawler = new AutoNewsCrawler("crawl", true);

        crawler.start(4);//启动爬虫

    }

}

运行接入如下所示：

手动解析

import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;

import cn.edu.hfut.dmic.webcollector.model.Page;

import cn.edu.hfut.dmic.webcollector.plugin.berkeley.BreadthCrawler;

public class ManualNewsCrawler extends BreadthCrawler {

    public ManualNewsCrawler(String crawlPath, boolean autoParse) {

        super(crawlPath, autoParse);

        /*add 10 start pages and set their type to "list"

          "list" is not a reserved word, you can use other string instead

         */

        for(int i = 1; i <= 10; i++) {

            this.addSeed("http://news.hfut.edu.cn/list-1-" + i + ".html", "list");//种子页面，起始页面

        }

        setThreads(50);//线程数

        getConf().setTopN(100);//设置每次迭代中爬取数量的上限

        //设置是否为断点爬取，如果设置为false，任务启动前会清空历史数据。

        //如果设置为true，会在已有crawlPath(构造函数的第一个参数)的基础上继

        //续爬取。对于耗时较长的任务，很可能需要中途中断爬虫，也有可能遇到

        //死机、断电等异常情况，使用断点爬取模式，可以保证爬虫不受这些因素

        //的影响，爬虫可以在人为中断、死机、断电等情况出现后，继续以前的任务

        //进行爬取。断点爬取默认为false*/

//        setResumable(true);

    }

    /*

       visit函数定制访问每个页面时所需进行的操作

    * */

    @Override

    public void visit(Page page, CrawlDatums next) {

        String url = page.url();

        if (page.matchType("list")) {

            next.add(page.links("div[class=' col-lg-8 '] li>a")).type("content");

        }else if(page.matchType("content")) {

            /*if type is "content"*/

            /*extract title and content of news by css selector*/

            String title = page.select("div[id=Article]>h2").first().text();

            String content = page.selectText("div#artibody", 0);

            //read title_prefix and content_length_limit from configuration

            title = getConf().getString("title_prefix") + title;

            content = content.substring(0, getConf().getInteger("content_length_limit"));

            System.out.println("URL:\n" + url);

            System.out.println("title:\n" + title);

            System.out.println("content:\n" + content);

        }

    }

    public static void main(String[] args) throws Exception {

        ManualNewsCrawler crawler = new ManualNewsCrawler("crawl", false);

        crawler.getConf().setExecuteInterval(5000);

        crawler.getConf().set("title_prefix","PREFIX_");

        crawler.getConf().set("content_length_limit", 20);

        crawler.start(4);//启动爬虫

    }

}

运行结果如下图所示：

四、项目源码下载

链接：https://pan.baidu.com/s/10Ze9xloOpVqmlBOj97XNaQ
提取码：ig45

秒客网