分布式爬虫框架XXL-CRAWLER

2023-07-26 18:47:40

《分布式爬虫框架XXL-CRAWLER》

分布式爬虫框架XXL-CRAWLER

分布式爬虫框架XXL-CRAWLER

分布式爬虫框架XXL-CRAWLER

分布式爬虫框架XXL-CRAWLER

一、简介

1.1 概述

XXL-CRAWLER 是一个分布式爬虫框架。一行代码开发一个分布式爬虫，拥有"多线程、异步、IP动态代理、分布式、JS渲染"等特性；

1.2 特性

  • 1、简洁：API直观简洁，可快速上手；
  • 2、轻量级：底层实现仅强依赖jsoup，简洁高效；
  • 3、模块化：模块化的结构设计，可轻松扩展
  • 4、面向对象：支持通过注解，方便的映射页面数据到PageVO对象，底层自动完成PageVO对象的数据抽取和封装返回；单个页面支持抽取一个或多个PageVO
  • 5、多线程：线程池方式运行，提高采集效率；
  • 6、分布式支持：通过扩展 "RunData" 模块，并结合Redis或DB共享运行数据可实现分布式。默认提供LocalRunData单机版爬虫。
  • 7、JS渲染：通过扩展 "PageLoader" 模块，支持采集JS动态渲染数据。原生提供 Jsoup(非JS渲染，速度更快)、HtmlUnit(JS渲染)、Selenium+Phantomjs(JS渲染，兼容性高) 等多种实现，支持*扩展其他实现。
  • 8、失败重试：请求失败后重试，并支持设置重试次数；
  • 9、代理IP：对抗反采集策略规则WAF；
  • 10、动态代理：支持运行时动态调整代理池，以及自定义代理池路由策略；
  • 11、异步：支持同步、异步两种方式运行；
  • 12、扩散全站：支持以现有URL为起点扩散爬取整站；
  • 13、去重：防止重复爬取；
  • 14、URL白名单：支持设置页面白名单正则，过滤URL；
  • 15、自定义请求信息，如：请求参数、Cookie、Header、UserAgent轮询、Referrer等；
  • 16、动态参数：支持运行时动态调整请求参数；
  • 17、超时控制：支持设置爬虫请求的超时时间；
  • 18、主动停顿：爬虫线程处理完页面之后进行主动停顿，避免过于频繁被拦截；

1.3 下载

文档地址

源码仓库地址

源码仓库地址 Release Download
https://github.com/xuxueli/xxl-crawler Download
https://gitee.com/xuxueli0323/xxl-crawler Download

技术交流

1.4 环境

  • JDK：1.7+

二、快速入门

爬虫示例参考

(爬虫示例代码位于 /test 目录下)

  • 1、爬取页面数据并封装VO对象
  • 2、爬取页面，下载Html文件
  • 3、爬取页面，下载图片文件
  • 4、爬取页面，代理IP方式
  • 5、爬取公开的免费代理，生成动态代理池
  • 6、分布式爬虫示例
  • 7、JS渲染方式采集数据，"htmlUnit" 方案
  • 8、JS渲染方式采集数据，"selenisum + phantomjs" 方案
  • 9、采集非Web页面，如JSON接口等，直接输出响应数据

第一步：引入Maven依赖

<dependency>

    <groupId>com.xuxueli</groupId>

    <artifactId>xxl-crawler</artifactId>

    <version>${最新稳定版}</version>

</dependency>

第二步：定义 "PageVo/页面数据对象"（可选）

在此推荐两款工具，可以直观迅速的获取页面元素的Jquery cssQuery表达式。

  • 1、Chrome DevTools：首先定位元素位置，然后从Element选中选中元素，点击右键选择“Copy + Copy selector”即可;
  • 2、Jquery Selector Helper（Chrome插件）：首先定位元素位置，然后从Element右侧打开Selector界面，然后定位元素即可；
// PageSelect 注解：从页面中抽取出一个或多个VO对象；

@PageSelect(cssQuery = "body")

public static class PageVo {

    @PageFieldSelect(cssQuery = ".blog-heading .title")

    private String title;

    @PageFieldSelect(cssQuery = "#read")

    private int read;

    @PageFieldSelect(cssQuery = ".comment-content")

    private List<String> comment;

    // set get

}

第三步：创建爬虫

XxlCrawler crawler = new XxlCrawler.Builder()

    .setUrls("https://my.oschina.net/xuxueli/blog")

    .setWhiteUrlRegexs("https://my\\.oschina\\.net/xuxueli/blog/\\d+")

    .setThreadCount(3)

    .setPageParser(new PageParser<PageVo>() {

        @Override

        public void parse(Document html, Element pageVoElement, PageVo pageVo) {

            // 解析封装 PageVo 对象

            String pageUrl = html.baseUri();

            System.out.println(pageUrl + "：" + pageVo.toString());

        }

    })

    .build();

第四步：启动爬虫

crawler.start(true);

三、总体设计

架构图

分布式爬虫框架XXL-CRAWLER

3.1 功能定位

XXL-CRAWLER 是一个分布式Web爬虫框架。采用模块化设计，各个模块可灵活进行自定义和扩展。

借助 XXL-CRAWLER，一行代码开发一个分布式爬虫。

3.2 核心概念

概念 说明
XxlCrawler 爬虫对象，维护爬虫信息
PageVo 页面数据对象，一张Web页面可抽取一个或多个PageVo
PageLoader Wed页面加载器，负责加载页面数据，支持灵活的自定义和扩展
PageParser Wed页面解析器，绑定泛型PageVO后将会自动抽取页面数据对象，同时支持运行时调整请求参数信息；

NonPageParser ： 非Web页面解析器，如JSON接口等，直接输出响应数据

3.3 爬虫对象：XxlCrawler

功能：爬虫对象，维护爬虫信息，可选属性如下。

方法 说明
setUrls 待爬的URL列表
setAllowSpread 允许扩散爬取，将会以现有URL为起点扩散爬取整站
setWhiteUrlRegexs URL白名单正则，非空时进行URL白名单过滤页面
setIfPost 请求方式：true=POST请求、false=GET请求
setUserAgent UserAgent
setParamMap 请求参数
setCookieMap 请求Cookie
setTimeoutMillis 超时时间，毫秒
setPauseMillis 停顿时间，爬虫线程处理完页面之后进行主动停顿，避免过于频繁被拦截；
setProxyMaker 代理生成器，支持设置代理IP，同时支持调整代理池实现动态代理；
setThreadCount 爬虫并发线程数
setPageParser 页面解析器
setPageLoader 页面加载器，默认提供 "JsoupPageParser" 和 "HtmlUnitPageLoader" 两种实现；
setRunData 设置运行时数据模型，默认提供LocalRunData单机模型，支持扩展实现分布式模型；
start 运行爬虫，可通过入参控制同步或异步方式运行
stop 终止爬虫

3.4 核心注解：PageSelect

功能：描述页面数据对象，通过该注解从页面抽取PageVo数据信息，可选属性如下。

PageSelect 说明
cssQuery CSS选择器, 如 "#body"

3.5 核心注解：PageFieldSelect

功能：描述页面数据对象的属性信息，通过该注解从页面抽取PageVo的属性信息，可选属性如下。

（支持基础数据类型 T ，包括 List）

PageFieldSelect 说明
cssQuery CSS选择器, 如 "#title"
selectType jquery 数据抽取方式，如 ".html()/.text()/.val()/.attr()"等
selectVal jquery 数据抽取参数，SelectType=ATTR 时有效，如 ".attr("abs:src")"
datePattern 时间格式化，日期类型数据有效

3.6 多线程

以线程池方式并行运行，提供对应API（可参考"章节3.3"）调整线程池大小，提高运行效率；

3.7 异步

支持同步、异步两种方式启动运行。

  • 同步：将会阻塞业务逻辑，爬虫爬取完全部页面后才会继续执行后续逻辑。
  • 异步：不会阻塞业务逻辑，爬虫逻辑以异步方式运行。

3.8 动态代理

ProxyMaker（代理生成器）：实现代理支持的组件。支持设置代理IP，同时支持调整代理池实现动态代理；

系统已经提供了两种策略实现；

  • RoundProxyMaker（循环代理生成器）: 以循环方式获取代理池中代理；
  • RandomProxyMaker（随机代理生成器）: 以随机方式获取代理池中代理；

3.9、PageParser

PageParser（页面解析器）：绑定泛型PageVO后将会自动抽取页面数据对象，同时支持运行时调整请求参数信息；

内部方法 说明
public void preParse(PageRequest pageRequest) 可选实现，发起页面请求之前触发调用，可基于此运行时调整请求参数；
public abstract void parse(Document html, Element pageVoElement, T pageVo) 必须实现，页面抽离封装每个PageVO之后触发调用，可基于此处理PageVO文档或数据；

3.10、分布式支持 & RunData

支持自定义RunData(运行时数据模型)并结合Redis或DB共享运行数据来实现分布式爬虫。默认提供LocalRunData实现单机版爬虫。

  • RunData：运行时数据模型，维护爬虫运行时的URL和白名单规则。
    • 单机：单机方式维护爬虫运行数据，默认提供 "LocalRunData" 的单机版实现。
    • 分布式/集群：集群方式维护爬虫爬虫运行数据，可通过Redis或DB定制实现。
RunData抽象方法 说明
public abstract boolean addUrl(String link); 新增一个待采集的URL，接口需要做URL去重，爬虫线程将会获取到并进行处理；
public abstract String getUrl(); 获取一个待采集的URL，并且将它从"待采集URL池"中移除，并且添加到"已采集URL池"中；
public abstract int getUrlNum(); 获取待采集URL数量；

3.11、JS动态渲染 & PageLoader

页面数据通过 "PageLoader" 组件加载，默认使用以下两种实现：

  • JsoupPageLoader：速度最快，推荐采用这种方式（不支持JS动态渲染）；
  • HtmlUnitPageLoader：支持JS动态渲染；
  • SeleniumPhantomjsPageLoader：支持JS动态渲染，"selenisum + phantomjs" 方案，兼容性较高；

得益于模块化结构设计，可*扩展其他 "PageLoader" 实现，如 "selenisum + chrome/headless" 方式等；

注意：

  • 1、HtmlUnitPageLoader 为扩展功能，因此maven依赖（htmlunit）scope为provided类型，使用时请单独引入；
  • 2、SeleniumPhantomjsPageLoader 为扩展功能，因此maven依赖（selenisum + phantomjs）scope为provided类型，使用时请单独引入；
  • 3、JS渲染方式采集数据实用性广，但是也存在缺点，如下：
    • 2.1：JS渲染，速度较慢；
    • 2.1：JS渲染，环境要求较高；
    • 2.3：在需要JS渲染的场景下，推荐做法是：分析页面请求，模拟并主动发起Ajax请求来代替JS引擎自动请求渲染。因为速度更快，更可控；

四、版本更新日志

版本 V1.0.0，新特性[2017-09-13]

  • 1、面向对象：通过VO对象描述页面信息，提供注解方便的映射页面数据，爬取结果主动封装Java对象返回；
  • 2、多线程：线程池方式并行运行；
  • 3、异步：支持同步、异步两种方式运行；
  • 4、扩散全站：支持以入口URL为起点扩散爬取整站；
  • 5、去重：防止重复爬取；
  • 6、URL白名单：支持设置页面白名单正则，过滤URL；
  • 7、自定义请求信息，如：请求参数、Cookie、Header、UserAgent轮询、Referrer等；
  • 8、轻量级：底层实现仅依赖jsoup，简洁高效；
  • 9、超时控制：支持设置爬虫请求的超时时间；
  • 10、主动停顿：爬虫线程处理完页面之后进行主动停顿，避免过于频繁被拦截；
  • 11、单个页面支持抽取一个或多个PageVO；

版本 V1.1.0，新特性[2017-11-08]

  • 1、页面默认cssQuery调整为html标签；
  • 2、升级Jsoup至1.11.1版本；
  • 3、修复PageVO注解失效的问题；
  • 4、属性注解参数attributeKey调整为selectVal；
  • 5、代理IP：对抗反采集策略规则WAF；
  • 6、动态代理：支持运行时动态调整代理池，以及自定义代理池路由策略；

版本 V1.2.0，新特性[2017-12-14]

  • 1、爬虫Builder底层API优化；
  • 2、支持设置请求Headers；
  • 3、支持设置多UserAgent轮询；
  • 4、失败重试：支持请求失败后主动重试，并支持设置重试次数；
  • 5、动态参数：支持运行时动态调整请求参数；
  • 6、分布式支持：支持自定义RunData(运行时数据模型)并结合Redis或DB共享运行数据来实现分布式。默认提供LocalRunData单机版爬虫。

版本 V1.2.1，新特性[2018-02-07]

  • 1、JS渲染：支持JS渲染方式采集数据，可参考 "爬虫示例6"；
  • 2、抽象并设计PageLoader，方便自定义和扩展页面加载逻辑，如JS渲染等。底层提供 "JsoupPageLoader(默认/推荐)"，"HtmlUnitPageLoader"两种实现，可自定义其他类型PageLoader如 "Selenium" 等；
  • 3、修复Jsoup默认加载1M的限制；
  • 4、爬虫线程中断处理优化；

版本 V1.2.2，新特性[2018-10-24]

  • 1、系统底层重构，规范包名；
  • 2、采集线程白名单过滤优化，避免冗余失败重试；
  • 3、增强JS渲染方式采集能力，原生新提供 "SeleniumPhantomjsPageLoader"，支持以 "selenisum + phantomjs" 方式采集页面数据；
  • 4、支持采集非Web页面，如JSON接口等，直接输出响应数据；选择 "NonPageParser" 即可；

版本 V1.3.0，新特性[迭代中]

  • 1、[ING]增强JS渲染采集能力，原生提供 "selenium chrome headless" 方案实现，并提供开箱即用的 PageLoader ；
  • 2、[ING]进一步优化 selenium 特性兼容问题；

TODO LIST

  • 1、扩展SelectType；
  • 2、协程，搁置，jsoup/htmlunit/selenisum协程兼容性低；
  • 3、bloomfilter去重，可选接入，大数据量下推荐；
  • 4、对抗爬虫蜜罐，成功率检测，历史数据学习；
  • 5、对抗主动休眠防御，Timeout即可；
  • 6、页面生僻字中文乱码处理；

五、其他

5.1 项目贡献

欢迎参与项目贡献！比如提交PR修复一个bug，或者新建 Issue 讨论新特性或者变更。

5.2 用户接入登记

更多接入的公司，欢迎在 登记地址 登记，登记仅仅为了产品推广。

5.3 开源协议和版权

产品开源免费，并且将持续提供免费的社区技术支持。个人或企业内部可*的接入和使用。

  • Licensed under the GNU General Public License (GPL) v3.
  • Copyright (c) 2015-present, xuxueli.

捐赠

无论金额多少都足够表达您这份心意，非常感谢 ：） 前往捐赠

上一篇：elasticsearch配合mysql实现全文搜索


下一篇：在 Laravel 项目中使用 Elasticsearch 做引擎，scout 全文搜索(小白出品, 绝对白话)