Spider

Spider是一个基于Java的简易多线程爬虫框架，并且提供了默认组件。用户也可以根据需要实现自己的组件

• 具体流程
  • 首先在调度器中添加初始种子，开启线程池。
  • 工作线程开始从种子调度器中取URL种子
  • 使用下载器获取URL对应的页面内容
  • 使用解析器解析页面内容，将页面里的URL封装成URL种子，添加到种子调度器中。
  • 持久器会判断是否已经存在类似的文本内容，如果存在会做丢弃处理，否则会将页面中的内容做持久化处理。

使用

开发环境

• JDK8+
• Maven3+
• lombok

使用

• 修改application.properties中存放解析内容的路径dir
• 如果使用Redis作为种子调度器(默认使用优先队列)，需要修改application.properties中配置的redis-ip、redis-port和redis-password。如果你的Redis不需要密码验证，就不用修改文件里的password属性。
• 如果使用消息队列(框架使用的是RocketMQ)，需要修改application.properties中配置的mq-ip、mq-port。不用的话可以将mq-switch置为0，关闭消息队列。
• 默认解析器解析: 如果解析其它类型的网页，需要重写Parser.java接口以及提供给种子调度器的初始种子
• 运行Spider.java

        Spider.build()
                .addUrlSeed(new UrlSeed("http://xww.hebut.edu.cn/gdyw/index.htm"))
                .run();

项目结构

├── logs                                          // 系统日志
├── spider-consumer                               // 消费模块(消费4XX 3XX状态码对应URL)
├── spider-core                                   // 爬虫模块
│   ├── src                                       // 源码
│   ├── |——main
│   ├── ├──|——java/com/jinshuai                          
│   ├── ├──├──|——core                             // 核心组件
│   ├── ├──├──|————downloader                     // 下载器
│   ├── ├──├──|————parser                         // 解析器
│   ├── ├──├──|————saver                          // 持久器
│   ├── ├──├──|————scheduler                      // URL调度器
│   ├── ├──├──|——entity                           // 实体
│   ├── ├──├──|——util                             // 工具
│   ├── ├──|——resources                           // 资源目录
│   ├── ├──|——|——application.properties           // 配置文件

进度

Finished

• 配置了Http连接池，完成了Http请求和处理Http响应
  
• 解析响应的内容
• 配置线程池，通过Redis缓存URL种子
• 持久化解析结果
• 添加新的种子调度器（优先队列结合布隆过滤器）
• 对于Redis调度器，存放url对应的hash进行判重减少空间使用
• 使用SimHash进行文本相似度检测
• 将3XX 4XX 5XX状态码对应URL放到消息队列中去消费

TODO

• 定时解析失败日志，将失败URL重新加入爬取仓库，设置失败次数限制，超过指定次数就放弃。
• 分布式环境下，统一存放解析后的文本
• 各个组件进行热替换
• 优化解析页面代码

参考

• 代码和设计思路参考自https://github.com/xjtushilei/ScriptSpider