Java爬虫框架

原创
2016/07/25 16:38
阅读数 860

、        架构图

那里搜网络爬虫框架主要针对电子商务网站进行数据爬取,分析,存储,索引。

爬虫:爬虫负责爬取,解析,处理电子商务网站的网页的内容

数据库:存储商品信息

索引:商品的全文搜索索引

Task队列:需要爬取的网页列表

Visited表:已经爬取过的网页列表

爬虫监控平台:web平台可以启动,停止爬虫,管理爬虫,task队列,visited表。

二、        爬虫

1.      流程

1)       Scheduler启动爬虫器,TaskMaster初始化taskQueue

2)       Workers从TaskQueue中获取任务

3)       Worker线程调用Fetcher爬取Task中描述的网页

4)       Worker线程将爬取到的网页交给Parser解析

5)       Parser解析出来的数据送交Handler处理,抽取网页Link和处理网页内容

6)       VisitedTableManager判断从URLExtractor抽取出来的链接是否已经被爬取过,如果没有提交到TaskQueue中

2.      Scheduler

Scheduler负责启动爬虫器,调用TaskMaster初始化TaskQueue,同时创建一个monitor线程,负责控制程序的退出。

何时退出?

当TaskQueue为空,并且Workers中的所有线程都处于空闲状态。而这种形势在指定10分钟内没有发生任何变化。就认为所有网页已经全部爬完。程序退出。

3.      Task Master

任务管理器,负责管理任务队列。任务管理器抽象了任务队列的实现。

l        在简单应用中,我们可以使用内存的任务管理器

l        在分布式平台,有多个爬虫机器的情况下我们需要集中的任务队列

在现阶段,我们用SQLLite作为任务队列的实现。可供替代的还有Redis。

任务管理器的处理流程:

l        任务管理器初始化任务队列,任务队列的初始化根据不同的配置可能不同。增量式的情况下,根据指定的URL List初始化。而全文爬取的情况下只预先初始化某个或几个电子商务网站的首页。

l        任务管理器创建monitor线程,控制整个程序的退出

l        任务管理器调度任务,如果任务队列是持久化的,负责从任务队列服务器load任务。需要考虑预取。

l        任务管理器还负责验证任务的有效性验证,爬虫监控平台可以将任务队列中的某些任务设为失效?

4.      Workers

Worker线程池,每个线程都会执行整个爬取的流程。可以考虑用多个线程池,分割异步化整个流程。提高线程的利用率。

5.      Fetcher

Fetcher负责直接爬取电子商务网站的网页。用HTTP Client实现。HTTP core 4以上已经有NIO的功能, 用NIO实现。

Fetcher可以配置需不需要保存HTML文件

6.      Parser

Parser解析Fetcher获取的网页,一般的网页可能不是完好格式化的(XHTML是完美格式化的),这样就不能利用XML的类库处理。我们需要一款比较好的HTML解析器,可以修复这些非完好格式化的网页。

熟悉的第三方工具有TagSoup,nekohtml,htmlparser三款。tagsoup和nekohtml可以将HTML用SAX事件流处理,节省了内存。

已知的第三方框架又使用了哪款作为他们的解析器呢?

l        Nutch:正式支持的有tagsoup,nekohtml,二者通过配置选择

l        Droids:用的是nekohtml,Tika

l        Tika:tagsoup

据称,tagsoup的可靠性要比nekohtml好,nekohtml的性能比tagsoup好。nekohtml不管是在可靠性还是性能上都比htmlparser好。具体结论我们还需要进一步测试。

我们还支持regex,dom结构的html解析器。在使用中我们可以结合使用。

进一步,我们需要研究文档比较器,同时需要我们保存爬取过的网站的HTML.可以通过语义指纹或者simhash来实现。在处理海量数据的时候才需要用上。如果两个HTML被认为是相同的,就不会再解析和处理。

7.      Handler

Handler是对Parser解析出来的内容做处理。

回调方式(visitor):对于SAX event处理,我们需要将handler适配成sax的content handler。作为parser的回调方法。不同事件解析出来的内容可以存储在HandlingContext中。最后由Parser一起返回。

主动方式:需要解析整个HTML,选取自己需要的内容。对Parser提取的内容进行处理。XML需要解析成DOM结构。方便使用,可以使用Xpath,nodefilter等,但耗内存。

ContentHandler:它还包含组件ContentFilter。过滤content。

URLExtractor负责从网页中提取符合格式的URL,将URL构建成Task,并提交到Task queue中。

8.      VisitedTableManager

访问表管理器,管理访问过的URLs。提取统一接口,抽象底层实现。如果URL被爬取过,就不会被添加到TaskQueue中。

三、        Task队列

Task队列存储了需要被爬取的任务。任务之间是有关联的。我们可以保存和管理这个任务关系。这个关系也是URL之间的关系。保存下来,有助于后台形成Web图,分析数据。

Task队列在分布式爬虫集群中,需要使用集中的服务器存放。一些轻量级的数据库或者支持列表的NoSql都可以用来存储。可选方案:

l          用SQLLite存储:需要不停地插入删除,不知性能如何。

l          用Redis存储

四、        Visited表

Visited表存储了已经被爬的网站。每次爬取都需要构建。

l          SQLLite存储:需要动态创建表,需要不停地查询,插入,还需要后台定期地清理,不知性能如何。

l          Mysql 内存表 hash index

l          Redis: Key value,设过期时间

l          Memcached: key value, value为bloomfilter的值

针对目前的数据量,可以采用SQLLite

五、        爬虫监控管理平台

l          启动,停止爬虫,监控各爬虫状态

l          监控,管理task队列,visited表

l          配置爬虫

l          对爬虫爬取的数据进行管理。在并发情况下,很难保证不重复爬取相同的商品。在爬取完后,可以通过爬虫监控管理平台进行手动排重。

了解更多详情请登录超人学院网站http://www.crxy.cn或者每周日晚八点半相约免费公开课https://ke.qq.com/course/53102#term_id=100145289  具体详情请联系QQ2435014406

展开阅读全文
打赏
1
8 收藏
分享
加载中
关于去重,直接对商品的某一个元数据设置成唯一键,可行么,我在处理爬取的出来的数据的时候,最后防止重复的方法就是这么干的
2016/07/26 14:23
回复
举报
更多评论
打赏
1 评论
8 收藏
1
分享
返回顶部
顶部