基于http(s)协议的模板化爬虫设计

声明：本文为原创，转载请注明出处

本文总共三章，前面两章废话吐槽比较多，想看结果的话，直接看第三章（后续会更新，最近忙着毕设呢，毕设也是我自己做的，关于射频卡的，有时间我也放上来，哈哈）。

一，系统总体结构

　　首先吐槽一下，标题取得好水，原谅我是一枚耿直的工科男。系统框图如下所示，简单看一下，对整体有个把握，总体由4个部分组成

　　上图中，装载URL队列的是先进先出的队列，整个爬虫系统的设计就是基于宽度优先遍历的原则设计的。所以，对于执行整个下载任务的引擎而言，它只是启动一个线程池，然后机械的从队列里面拿出链接，下载网页，然后再将网页中的链接放到队列里面，循环上面的操作。由于每一个站点都有其自身布局的特点，比如特定的编码，特定的URL格式，面向站点的模板需要提供这些特点，以方便爬取效率和自己想要得到的效果。对于一张网页，我们真正关心的，讲个实话，只是一部分数据，所以在模板获取数据之前，是先需要对数据进行过滤，排版等相关处理的，面向数据处理的模型就是为了解决这个问题而产生的。（我去感觉这段话，有种催眠的感觉，发现自己表达能力好差。）

　　二，设计思想及核心流程图

　　说点题外话，关于爬虫的的实现，网上很多，但是只要你不是我这样的大老粗，你仔细看就会发现，所有的实现基本都是机械抓取URL，最为致命的是抓取的URL还有可能是相对URL。那什么获取个性化数据就有点大海捞针的感觉了。哈哈，自恋一下，本爬虫就可以大海捞针（你也可以当笑话看，否则这玩意太枯燥了）。其实我感觉的话，爬虫的核心无非就两个：一是要能很好的处理URL，二是方便获取想要的数据。至于什么效率，鄙人认为，在这个计算机处理能力飞速提示的年代，不是那么重要。

　　下面是整个引擎执行流程图：

上图十分清楚的描述了整个引擎的执行流程图，现在一看好像很简单，但是当时写起来，那个问题，不想说了，不利于弘扬社会主义核心价值观，哈哈。至于到底是怎么用我会把代码放出来（留言qq索取也行，githup还没有建仓库呢），有了这个图大家看起来，也方便些。接下来，实在是不想废话了，直接看使用demo。

三，实践

　　正所谓实践是检验真理的唯一标准，这里以抓取阿里巴巴旗下蚂蚁金服的基金数据为例子，进行简单讲解一下。

　　3.1 定义一个基于该网站的引擎类。此类需要导入我开发的包，然后继承自Spider。Spider有几个函数是用于子类重载的。主要的也就是下面的三个重载子函数.详情看注释

public class AliFundtion extends Spider {
    private WebClient webClient=new WebClient();
    private Pattern HREF=Pattern.compile("href=\"(.*?)\"");
    public AliFundtion(int maxSize,int threadSize){
        super(maxSize,threadSize);
        initWebOptions();
    }
    private void initWebOptions(){
        webClient.setAjaxController(new NicelyResynchronizingAjaxController());
        webClient.getOptions().setJavaScriptEnabled(true);
        webClient.getOptions().setCssEnabled(false);
        webClient.getOptions().setTimeout(35000);
        webClient.getOptions().setThrowExceptionOnScriptError(false);
    }

    /**
     * 通过重载这个函数，我们这里只抓取蚂蚁金服首页展示的基金数据，因为它首页包含了所有的基金，
     * 这个函数决定了URL队列里面到底有哪些链接，是引擎的抓取的来源
     * @param html 抓取到的网页
     * @param url  该网页对应的URL
     * @param que URL队列 
     */
    @Override
    protected void allHrefEnQueue(String html, String url, SpiderQueue que) {
        if(url.equals("http://www.fund123.cn/fund")){//断定是首页
            List<String> hrefs=RegexUtil.getAllMatcher(html,1,HREF);
            for(String href:hrefs){
                String absoUrl=Browser.relative2TrUri(href,url);//转化为绝对路径
                if(absoUrl.startsWith("http://www.fund123.cn/matiaria?fundCode")){//这正是我们需要的基金数据
                    que.enQueue(absoUrl);
                }
            }
        }

    }

    /**
     * 这个函数决定了，通过URL获取网页的方式，对于需要执行js代码的网页而言，重载这个函数是必须得，比如这里就是基于htmlUnit重载了Spider的这个函数
     * @param url 即将抓取的URL
     * @param charset 所用的字符编码
     * @return  返回抓取到的数据
     * @throws IOException 
     */
    @Override
    synchronized protected String toGetHtmlPage(String url, String charset) throws IOException {
       HtmlPage page=webClient.getPage(url);
        return page.asXml();
    }

    /**
     * 注意这里必须调用父类的close()方法，来释放一些资源
     */
    @Override
    protected void close() {
        super.close();
        webClient.close();
    }
}

　　3.2 主程序调用步骤

public class Main {
    public static void main(String[] args) {

        //step1: 创建一个你自己定义的爬虫引擎,第一个参数表示队列的最大容量，第二个参数表示开启线程池中线程数量
        AliFundtion aliFundtion=new AliFundtion(50,6);
        //step2:定义你自己的站点模板
        ICrawlTemplate temp=new AbstractTemplate() {
            @Override
            public void crawlValue(String html, String url) {
                //todo 在这里写下你想做的事，比如将得到的数据持久化到数据库，或者保存到磁盘，其中html表示被数据模型修饰后的数据，url是该html对应的链接
                System.out.println(html);
            }
            @Override
            public String getBaseSite() {
                return "http://www.fund123.cn/fund";
            }

            @Override
            public String getCharset() {
                return null;
            }

            @Override
            public boolean filterUrl(String url) {
                return true;
            }
        };
        //step3:采用正则表达式进行数据建模
            //<_%></_%>这是一对表示这个一个正则表达式的标签
                //index 属性 就是该正则表达式需要提取的组
        StringBuilder sb=new StringBuilder();
        sb.append("基金名称：").append("<_% index=\"1\">").append("<span class=\"fundmatiaria-title-fundname\">(.*?)</span>").append("</_%>");
        sb.append("基金代码：").append("<_% index=\"1\">").append("<span class=\"fundmatiaria-title-fundcode\">(.*?)</span>").append("</_%>");
        sb.append("基金净值：").append("<_% index=\"1\">").append("<p class=\"fundmatiaria-fundinfo-value\".*?>(.*?)</p>").append("</_%>");
        RegexModel model=new RegexModel(sb.toString());
        model.getOptions().setAbsoJs(true);//表示将所有js路径转化为绝对路径
        model.getOptions().setAbsoImage(true);//表示将所有image路径转化为绝对路径
        model.getOptions().setAbsoCss(true);//表示将所有css路径转化为绝对路径
        aliFundtion.setModel(model);
        //step4:下载模板
        aliFundtion.downLoadArtcle(temp);
    }
}

　3.3 看一下结果：

基金名称：南方原油(QDII-FOF)

基金代码：(501018)

基金净值：1.1502 +1.42% -1.57%

基金名称：广发道琼斯美国石油开发与生产指数(QDII-LOF)A

基金代码：(162719)

基金净值：1.1371 +1.65% +0.04%

基金名称：广发道琼斯美国石油开发与生产指数(QDII-LOF)C

基金代码：(004243)

基金净值：1.1398 +1.66% +0.08%
基金名称：银华心诚灵活配置混合

基金代码：(005543)

基金净值：0.9507 +1.79% +1.79%

基于http(s)协议的模板化爬虫设计

猜你喜欢