一款小巧、灵活的Java多线程爬虫框架（AiPa）爱爬

1.简介

AiPa 是一款小巧，灵活，扩展性高的多线程爬虫框架。

AiPa 依赖当下最简单的HTML解析器Jsoup。

AiPa 只需要使用者提供网址集合，即可在多线程下自动爬取，并对一些异常进行处理。

2.Maven

直接引入

<dependency>
    <groupId>com.github.onblog</groupId>
    <artifactId>AiPa</artifactId>
    <version>2.0.0.RELEASE</version>
</dependency>

3.使用

先来看下一个简单完整的示例程序：

必须实现的接口

public class MyAiPaWorker implements AiPaWorker {

    @Override
    public String run(Document doc, AiPaUtil util) {
        //使用JSOUP进行HTML解析获取想要的div节点和属性
        //保存在数据库或本地文件中
        //新增aiPaUtil工具类可以再次请求网址
        return doc.title() + doc.body().text();
    }

    @Override
    public Boolean fail(String link) {
        //任务执行失败
        //可以记录失败网址
        //记录日志
        return false;
    }
}

Main方法

    public static void main(String[] args) throws InstantiationException, IllegalAccessException, ExecutionException, InterruptedException {
        //准备网址集合
        List<String> linkList = new ArrayList<>();
        linkList.add("http://xxx.com/123.html");
        linkList.add("http://xxx.com/456.html");
        linkList.add("http://xxx.com/789.html");
        //第一步：新建AiPa实例
        AiPaExecutor aiPaExecutor = AiPa.newInstance(new MyAiPaWorker()).setCharset(Charset.forName("GBK"));
        //第二步：提交任务
        for (int i = 0; i < 10; i++) {
            aiPaExecutor.submit(linkList);
        }
        //第三步：读取返回值
        List<Future> futureList = aiPaExecutor.getFutureList();
        for (int i = 0; i < futureList.size(); i++) {
            //get() 方法会阻塞当前线程直到获取返回值
            System.out.println(futureList.get(i).get());
        }
        //第四步：关闭线程池
        aiPaExecutor.shutdown();
    }

通过AiPa.newInstance()方法直接创建一个新的AiPa实例，该方法必须要传入 AiPaWorker 接口的实现类。

3.1 AiPaWorker接口

AiPaWorker 接口是用户必须要实现的业务类。

该接口方法如下：

public interface AiPaWorker<T,S> {
    /**
     * 如何解析爬下来的HTML文档？
     * @param doc JSOUP提供的文档
     * @param util 爬虫工具类
     * @return
     */
    T run(Document doc, AiPaUtil util);

    /**
     * run方法异常则执行fail方法
     * @param link 网址
     * @return
     */
    S fail(String link);
}

run()方法是用户自定义处理爬取的HTML内容，一般是利用Jsoup的Document类进行解析，获取节点或属性等，然后保存到数据库或本地文件中。如果在业务方法需要再次请求URL，可以使用工具类Util。

fail()方法是当run()方法出现异常或爬取网页时异常，多次处理无效的情况下进入的方法，该方法的参数为此次出错的网址。一般是对其进行日志记录等操作。

3.2 解码，最多失败次数，请求头

通过AiPa获取实例后，可以直接在后面跟着设置一大堆属性，比如：setCharset、setThreads、setMaxFailCount等，这些属性啥意思，下面以表格的形式说明一下：

方法	说明
setThreads	工作线程数，默认CPU数量+1，你也可以设置CPU*2等等
setMaxFailCount	最大失败次数，也就是爬网站出现异常，再次爬一共尝试多少次，默认5
setCharset	网页的编码，碰到乱码设置这个，默认UTF-8
setHeader	设置请求头，只接受Map<String,String>类型，默认null
setMethod	设置请求方法，默认Method.GET
setTimeout	请求解析的等待时间，默认30秒。
setUserAgent	设置请求的UA，默认电脑版。
setCookies	设置Cookie集合，默认null

上面的一般情况下够用了，如果对这些不满意，嫌太少啥的，下面给了更优秀的解决方案。

3.3 自定义爬虫方法

在上面的演示程序中，我们使用了submit()方法进行提交任务，默认是使用了Jsoup+上面的那些非加粗属性进行爬取，一般情况下够用，如果要一个一个的扩展Jsoup的方法太累了，于是我想到把爬虫方法提供给用户重，让用户自己去扩展，想用什么爬，想设置什么属性都可以。

下面请看使用Demo：

public class MyAiPaUtil extends AiPaUtil {

    @Override
    public Document getHtmlDocument(String link) throws IOException {
        // 你可以不用JSOUP，可以使用其它方法进行HTTP请求，但最后需要转为Document格式
        // 你也可以使用Jsoup实现定制属性
        Connection connection = Jsoup.connect(link).method(Connection.Method.GET);
        String body = connection.execute().charset("GBK").body();
        
        return Jsoup.parse(body);
    }

}

然后，再调用submit方法提交任务，代码示例：

aiPaExecutor.submit(linkList, MyAiPaUtil.class);

注意：当你重写爬虫方法后，3.2小节的非加粗属性都会失效。

3.3 读取返回值与获取线程池

如果你想要读取返回值来看下任务是否执行成功，你可以使用看下上面的程示例序是如何做的。

public List<Future> getFutureList()

getFutureList()方法会返回任务执行之后的结果集合，集合中的成员都是Future类。调用Future对象的 get() 方法会等待当前任务执行完成再返回结果值，也就是会阻塞当前线程。该类还有很多方法，比如get(long timeout, TimeUnit unit)，设置等待时间等等。

public ExecutorService getExecutor()

该方法会返回AiPa当前使用的Executor线程池，你获取到该线程池后，需要一些使用线程池的一些方法可以自行使用。

3.4 如何应对爬取网页时的异常

对于网页爬取时的异常，这真的是个痛点。原因真的很多，你的网络不行，网站服务器的网络不行，在网上有说把请求头中Connection设置为close，不用keep-alive。这个以我爬取几百兆数据的经验告诉你，然并卵。

于是我想出了一种无赖打法，反复爬。爬一次不行就两次，爬两次不行就三次，只要网页是可以正常响应的，基本这个策略没多少问题。当然，万一真的是某个网页就那么独树一帜呢，所以我们设置一个最大值，对于爬取超过最大值的，放弃记录下来，看看啥子情况。在我的这个框架中，也给出了fail()方法专门处理这个问题。

4.测试用例

在Java SE测试中。没有使用数据库等，直接控制台打印是没问题的。

在Spring Boot中写了个测试用例，爬取数据保存到数据库，运行也没问题。

@RunWith(SpringRunner.class)
@SpringBootTest
public class InterApplicationTests {

    @Autowired
    private DemoResponse demoResponse;

    @Test
    public void context() throws ExecutionException, InterruptedException {
        AiPaExecutor executor = AiPa.newInstance(new AiPaWorker() {
            @Override
            public Boolean run(Document document, AiPaUtil util) {
                String title = document.title();
                demoResponse.save(new DemoEntity(title));
                return true;
            }

            @Override
            public Boolean fail(String s) {
                demoResponse.save(new DemoEntity(s));
                return false;
            }
        }).setCharset(Charset.forName("GBK"));

        List<String> linkList = new ArrayList<>();
        linkList.add("http://xxx.com/2688.htm");
        linkList.add("http://xxx.com/2953.htm");
        linkList.add("http://xxx.com/2995.htm");
        linkList.add("http://xxx.com/2610.htm");
        linkList.add("http://xxx.com/3349.htm");
        executor.submit(linkList);

        List<Future> list = executor.getFutureList();
        for (int i = 0; i < list.size(); i++) {
            //get() 方法会阻塞当前线程直到获取返回值
            System.out.println(list.get(i).get());
        }
        executor.shutdown();
    }

}

运行结果：

Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)

onblog / aipa Goto Github PK

aipa's Introduction

一款小巧、灵活的Java多线程爬虫框架（AiPa）爱爬

1.简介

2.Maven

3.使用

3.1 AiPaWorker接口

3.2 解码，最多失败次数，请求头

3.3 自定义爬虫方法

3.3 读取返回值与获取线程池

3.4 如何应对爬取网页时的异常

4.测试用例

aipa's People

Stargazers

Watchers

Forkers

aipa's Issues

Recommend Projects

Recommend Topics

Recommend Org