Java爬蟲框架的舉例分析
本篇內(nèi)容介紹了“Java爬蟲框架的舉例分析”的有關(guān)知識(shí)，在實(shí)際案例的操作過(guò)程中，不少人都會(huì)遇到這樣的困境，接下來(lái)就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！
目前創(chuàng)新互聯(lián)建站已為上1000家的企業(yè)提供了網(wǎng)站建設(shè)、域名、虛擬空間、網(wǎng)站改版維護(hù)、企業(yè)網(wǎng)站設(shè)計(jì)、駐馬店網(wǎng)站維護(hù)等服務(wù)，公司將堅(jiān)持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長(zhǎng)，共同發(fā)展。
一、架構(gòu)圖
那里搜網(wǎng)絡(luò)爬蟲框架主要針對(duì)電子商務(wù)網(wǎng)站進(jìn)行數(shù)據(jù)爬取，分析，存儲(chǔ)，索引。
爬蟲：爬蟲負(fù)責(zé)爬取，解析，處理電子商務(wù)網(wǎng)站的網(wǎng)頁(yè)的內(nèi)容
數(shù)據(jù)庫(kù)：存儲(chǔ)商品信息
索引：商品的全文搜索索引
Task隊(duì)列：需要爬取的網(wǎng)頁(yè)列表
Visited表：已經(jīng)爬取過(guò)的網(wǎng)頁(yè)列表
爬蟲監(jiān)控平臺(tái)：web平臺(tái)可以啟動(dòng)，停止爬蟲，管理爬蟲，task隊(duì)列，visited表。
二、爬蟲
1. 流程
1) Scheduler啟動(dòng)爬蟲器，TaskMaster初始化taskQueue
2) Workers從TaskQueue中獲取任務(wù)
3) Worker線程調(diào)用Fetcher爬取Task中描述的網(wǎng)頁(yè)
4) Worker線程將爬取到的網(wǎng)頁(yè)交給Parser解析
5) Parser解析出來(lái)的數(shù)據(jù)送交Handler處理，抽取網(wǎng)頁(yè)Link和處理網(wǎng)頁(yè)內(nèi)容
6) VisitedTableManager判斷從URLExtractor抽取出來(lái)的鏈接是否已經(jīng)被爬取過(guò)，如果沒有提交到TaskQueue中
2. Scheduler
Scheduler負(fù)責(zé)啟動(dòng)爬蟲器，調(diào)用TaskMaster初始化TaskQueue，同時(shí)創(chuàng)建一個(gè)monitor線程，負(fù)責(zé)控制程序的退出。
何時(shí)退出？
當(dāng)TaskQueue為空，并且Workers中的所有線程都處于空閑狀態(tài)。而這種形勢(shì)在指定10分鐘內(nèi)沒有發(fā)生任何變化。就認(rèn)為所有網(wǎng)頁(yè)已經(jīng)全部爬完。程序退出。
3. Task Master
任務(wù)管理器，負(fù)責(zé)管理任務(wù)隊(duì)列。任務(wù)管理器抽象了任務(wù)隊(duì)列的實(shí)現(xiàn)。
l 在簡(jiǎn)單應(yīng)用中，我們可以使用內(nèi)存的任務(wù)管理器
l 在分布式平臺(tái)，有多個(gè)爬蟲機(jī)器的情況下我們需要集中的任務(wù)隊(duì)列
在現(xiàn)階段，我們用SQLLite作為任務(wù)隊(duì)列的實(shí)現(xiàn)?？晒┨娲倪€有redis。
任務(wù)管理器的處理流程：
l 任務(wù)管理器初始化任務(wù)隊(duì)列，任務(wù)隊(duì)列的初始化根據(jù)不同的配置可能不同。增量式的情況下，根據(jù)指定的URL List初始化。而全文爬取的情況下只預(yù)先初始化某個(gè)或幾個(gè)電子商務(wù)網(wǎng)站的首頁(yè)。
l 任務(wù)管理器創(chuàng)建monitor線程，控制整個(gè)程序的退出
l 任務(wù)管理器調(diào)度任務(wù)，如果任務(wù)隊(duì)列是持久化的，負(fù)責(zé)從任務(wù)隊(duì)列服務(wù)器load任務(wù)。需要考慮預(yù)取。
l 任務(wù)管理器還負(fù)責(zé)驗(yàn)證任務(wù)的有效性驗(yàn)證，爬蟲監(jiān)控平臺(tái)可以將任務(wù)隊(duì)列中的某些任務(wù)設(shè)為失效？
4. Workers
Worker線程池，每個(gè)線程都會(huì)執(zhí)行整個(gè)爬取的流程?？梢钥紤]用多個(gè)線程池，分割異步化整個(gè)流程。提高線程的利用率。
5. Fetcher
Fetcher負(fù)責(zé)直接爬取電子商務(wù)網(wǎng)站的網(wǎng)頁(yè)。用HTTP Client實(shí)現(xiàn)。HTTP core 4以上已經(jīng)有NIO的功能, 用NIO實(shí)現(xiàn)。
Fetcher可以配置需不需要保存HTML文件
6. Parser
Parser解析Fetcher獲取的網(wǎng)頁(yè)，一般的網(wǎng)頁(yè)可能不是完好格式化的（XHTML是完美格式化的），這樣就不能利用XML的類庫(kù)處理。我們需要一款比較好的HTML解析器，可以修復(fù)這些非完好格式化的網(wǎng)頁(yè)。
熟悉的第三方工具有TagSoup，nekohtml，htmlparser三款。tagsoup和nekohtml可以將HTML用SAX事件流處理，節(jié)省了內(nèi)存。
已知的第三方框架又使用了哪款作為他們的解析器呢？
l Nutch：正式支持的有tagsoup，nekohtml，二者通過(guò)配置選擇
l Droids：用的是nekohtml，Tika
l Tika：tagsoup
據(jù)稱，tagsoup的可靠性要比nekohtml好，nekohtml的性能比tagsoup好。nekohtml不管是在可靠性還是性能上都比htmlparser好。具體結(jié)論我們還需要進(jìn)一步測(cè)試。
我們還支持regex，dom結(jié)構(gòu)的html解析器。在使用中我們可以結(jié)合使用。
進(jìn)一步，我們需要研究文檔比較器，同時(shí)需要我們保存爬取過(guò)的網(wǎng)站的HTML.可以通過(guò)語(yǔ)義指紋或者simhash來(lái)實(shí)現(xiàn)。在處理海量數(shù)據(jù)的時(shí)候才需要用上。如果兩個(gè)HTML被認(rèn)為是相同的，就不會(huì)再解析和處理。
7. Handler
Handler是對(duì)Parser解析出來(lái)的內(nèi)容做處理。
回調(diào)方式（visitor）：對(duì)于SAX event處理，我們需要將handler適配成sax的content handler。作為parser的回調(diào)方法。不同事件解析出來(lái)的內(nèi)容可以存儲(chǔ)在HandlingContext中。最后由Parser一起返回。
主動(dòng)方式：需要解析整個(gè)HTML，選取自己需要的內(nèi)容。對(duì)Parser提取的內(nèi)容進(jìn)行處理。XML需要解析成DOM結(jié)構(gòu)。方便使用，可以使用Xpath，nodefilter等，但耗內(nèi)存。
ContentHandler：它還包含組件ContentFilter。過(guò)濾content。
URLExtractor負(fù)責(zé)從網(wǎng)頁(yè)中提取符合格式的URL，將URL構(gòu)建成Task，并提交到Task queue中。
8. VisitedTableManager
訪問表管理器，管理訪問過(guò)的URLs。提取統(tǒng)一接口，抽象底層實(shí)現(xiàn)。如果URL被爬取過(guò)，就不會(huì)被添加到TaskQueue中。
三、 Task隊(duì)列
Task隊(duì)列存儲(chǔ)了需要被爬取的任務(wù)。任務(wù)之間是有關(guān)聯(lián)的。我們可以保存和管理這個(gè)任務(wù)關(guān)系。這個(gè)關(guān)系也是URL之間的關(guān)系。保存下來(lái)，有助于后臺(tái)形成Web圖，分析數(shù)據(jù)。
Task隊(duì)列在分布式爬蟲集群中，需要使用集中的服務(wù)器存放。一些輕量級(jí)的數(shù)據(jù)庫(kù)或者支持列表的NOSQL都可以用來(lái)存儲(chǔ)?？蛇x方案：
l 用SQLLite存儲(chǔ)：需要不停地插入刪除，不知性能如何。
l 用Redis存儲(chǔ)
四、 Visited表
Visited表存儲(chǔ)了已經(jīng)被爬的網(wǎng)站。每次爬取都需要構(gòu)建。
l SQLLite存儲(chǔ)：需要?jiǎng)討B(tài)創(chuàng)建表，需要不停地查詢，插入，還需要后臺(tái)定期地清理，不知性能如何。
l MySQL 內(nèi)存表 hash index
l Redis: Key value，設(shè)過(guò)期時(shí)間
l Memcached: key value, value為bloomfilter的值
針對(duì)目前的數(shù)據(jù)量，可以采用SQLLite
五、 爬蟲監(jiān)控管理平臺(tái)
l 啟動(dòng)，停止爬蟲，監(jiān)控各爬蟲狀態(tài)
l 監(jiān)控，管理task隊(duì)列，visited表
l 配置爬蟲
l 對(duì)爬蟲爬取的數(shù)據(jù)進(jìn)行管理。在并發(fā)情況下，很難保證不重復(fù)爬取相同的商品。在爬取完后，可以通過(guò)爬蟲監(jiān)控管理平臺(tái)進(jìn)行手動(dòng)排重。
“Java爬蟲框架的舉例分析”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！
分享標(biāo)題：Java爬蟲框架的舉例分析
網(wǎng)頁(yè)鏈接：http://aaarwkj.com/article0/pcdjoo.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站排名、網(wǎng)站導(dǎo)航、手機(jī)網(wǎng)站建設(shè)、用戶體驗(yàn)、定制網(wǎng)站、域名注冊(cè)
聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)
