劉曉東 林鳳德 朱文歡

摘? 要：網(wǎng)絡(luò)爬蟲是實(shí)現(xiàn)數(shù)據(jù)分析的重要基礎(chǔ)，通過網(wǎng)絡(luò)爬蟲可實(shí)現(xiàn)對數(shù)據(jù)的獲取。針對爬蟲的渠道廣、數(shù)量多且雜、單點(diǎn)效率低的問題，引入了輕量級的多線程爬蟲框架Crawler4j和分布式定時(shí)任務(wù)調(diào)度框架Quartz，文章主要基于這兩個(gè)框架來搭建穩(wěn)定、高效的分布式爬蟲系統(tǒng)。

關(guān)鍵詞：網(wǎng)絡(luò)爬蟲;分布式;Crawler4j;Quartz

Abstract： Web crawler is an important foundation of data analysis， through which data can be acquired. Aiming at the problem of crawler's wide channel， large number and miscellaneous， and low efficiency of single point， the lightweight multi-threaded crawler framework Crawler4j and the distributed timed task scheduling framework Quartz are introduced. This paper mainly builds a stable and efficient distributed crawler system based on these two frameworks.

網(wǎng)絡(luò)爬蟲（Web Crawler）是指按照特定的方式，自動獲取網(wǎng)絡(luò)中大量數(shù)據(jù)（包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)，以及非結(jié)構(gòu)化數(shù)據(jù)）的程序或者腳本。在大數(shù)據(jù)時(shí)代，數(shù)據(jù)就是財(cái)富，得數(shù)據(jù)者得天下，所以作為獲取網(wǎng)絡(luò)數(shù)據(jù)的網(wǎng)絡(luò)爬蟲技術(shù)將越來越受到重視。網(wǎng)絡(luò)爬蟲技術(shù)不僅涉及到網(wǎng)絡(luò)知識、網(wǎng)頁前后端知識，而且還包含各種輔助工具，是個(gè)綜合的技術(shù)[1]。本文通過開源框架Crawler4j[2]和Quartz[3]來構(gòu)建定時(shí)循環(huán)、穩(wěn)定、快速的多線程分布式爬蟲系統(tǒng)，最終實(shí)現(xiàn)爬蟲的高效數(shù)據(jù)采集功能。

2 技術(shù)選型

2.1 Quartz中集成Crawler4j

Crawler4j是一款基于Java的輕量級單機(jī)開源爬蟲框架[2]，該框架的特點(diǎn)是實(shí)現(xiàn)簡單、速度快、容易上手，同時(shí)該框架支持多線程、過濾重復(fù)url、垂直獲取數(shù)據(jù)等功能。在使用Crawler4j框架時(shí)，需要關(guān)注兩個(gè)重要的類，一個(gè)類是：WebCrawler類，它負(fù)責(zé)匹配url規(guī)則、解析html頁面和提取所需數(shù)據(jù);另外一個(gè)類為：Controller類，它用來控制爬蟲的各種狀態(tài)。對于Crawler4j的配置，需要根據(jù)不同的爬蟲任務(wù)來進(jìn)行定制化設(shè)計(jì)，如setMaxDepthOfCrawling（）[2]就是配置最大深度，setMaxPagesToFetch（）[2]就是頁面抓取的最大數(shù)量，對于不同的配置，需要查看官方文檔[2]。

Quartz是任務(wù)調(diào)度領(lǐng)域的一個(gè)開源項(xiàng)目[3]，其最大的特點(diǎn)是擁有豐富的功能，它可以用來創(chuàng)建或者運(yùn)行少則幾個(gè)，多則十個(gè)、百個(gè)、甚至幾萬個(gè)復(fù)雜任務(wù)。Quartz框架中定時(shí)任務(wù)部分是在Job類的void execute（JobExecutionContextcontext）[3]方法中執(zhí)行，如果想要集成Crawler4j爬蟲框架，只需在execute（）方法中構(gòu)造Crawler4j配置及啟動對應(yīng)配置爬蟲線程，這樣就能夠?qū)崿F(xiàn)定時(shí)爬蟲任務(wù)了。啟動爬蟲任務(wù)后，用Crawler4j自帶的解析特性來解析對應(yīng)url返回的頁面。但是這種方法不是通用的，所以對于一些特殊頁面還需要采取自定義解析類來解析。

2.2 分布式實(shí)現(xiàn)原理

需要獲取的數(shù)據(jù)來源渠道眾多，有門戶網(wǎng)站、快訊、自媒體等等。各渠道的數(shù)據(jù)結(jié)構(gòu)也不統(tǒng)一，這樣便導(dǎo)致每一個(gè)任務(wù)都很個(gè)性化，需要做定制化處理來滿足需求。依托Quartz不僅可以實(shí)現(xiàn)成百上千個(gè)任務(wù)的運(yùn)行和管理，而且每一個(gè)任務(wù)都可以做定制化處理[4]。單個(gè)節(jié)點(diǎn)運(yùn)行眾多任務(wù)的時(shí)候，存在著運(yùn)行效率低、獲取數(shù)據(jù)不及時(shí)、無法高可用等問題。通過引入分布式系統(tǒng)可以有效地提高系統(tǒng)的整體運(yùn)行效率，同時(shí)解決高可用問題，保證系統(tǒng)的穩(wěn)定運(yùn)行。

在集群中，每個(gè)節(jié)點(diǎn)能和數(shù)據(jù)庫組成一個(gè)獨(dú)立且完整的應(yīng)用。Quartz通過數(shù)據(jù)庫來調(diào)度當(dāng)前節(jié)點(diǎn)與其他節(jié)點(diǎn)進(jìn)行協(xié)作，每個(gè)節(jié)點(diǎn)的啟動或停止是相互獨(dú)立的行為，它們之間沒有任何通信。Quartz集群在同一個(gè)數(shù)據(jù)庫下，由數(shù)據(jù)庫中保存狀態(tài)來判斷調(diào)度任務(wù)是否正在執(zhí)行，并且其他節(jié)點(diǎn)不能執(zhí)行正在執(zhí)行中的任務(wù)，這樣就保證了該任務(wù)的實(shí)例在集群中是單實(shí)例運(yùn)行的，并且集群中分配任務(wù)是按照負(fù)載均衡策略來進(jìn)行[5，6]。當(dāng)任務(wù)在其中一個(gè)節(jié)點(diǎn)中運(yùn)行失敗，數(shù)據(jù)庫中會有狀態(tài)的記錄，并且馬上重新分配到另外一個(gè)節(jié)點(diǎn)中啟動運(yùn)行，這樣便保證了任務(wù)的高可用性。

3 分布式爬蟲系統(tǒng)

3.1 分布式系統(tǒng)搭建

搭建基于Quartz的集群，首先要建立數(shù)據(jù)庫表結(jié)構(gòu)。運(yùn)行官方網(wǎng)站docs/dbTables[3]路徑下的腳本文件，在mysql中創(chuàng)建對應(yīng)的11張表，如圖1所示，它是實(shí)現(xiàn)集群的基礎(chǔ)。

其次需要編寫Quartz對應(yīng)的配置文件，可以在quartz.properties配置，也可以把配置文件寫到對應(yīng)的configuration中。在配置中特別需要注意isClustered 必須設(shè)置為True，否則不能實(shí)現(xiàn)分布式集群。

最后就是定義實(shí)現(xiàn)Job接口的爬蟲任務(wù)類，配置Crawler4j，把對應(yīng)的配置放在數(shù)據(jù)庫中。如圖2所示，當(dāng)任務(wù)啟動時(shí)就去數(shù)據(jù)庫獲取對應(yīng)任務(wù)Crawler4j配置，添加到Crawler4j的框架中。用SpringBoot來集成Quartz，啟動SpringBoot就能實(shí)現(xiàn)對應(yīng)的定時(shí)任務(wù)。

3.2 定制化任務(wù)實(shí)現(xiàn)

為了滿足定制化任務(wù)[7]的需要，以及實(shí)現(xiàn)管理端對爬蟲任務(wù)的管理和監(jiān)控，在數(shù)據(jù)庫表中設(shè)計(jì)了t_crawler_task（任務(wù)）表和t_sched_card（令牌）表。利用這兩張表可以實(shí)現(xiàn)對任務(wù)的增刪改查，同時(shí)滿足對任務(wù)的定制化，比如需要對定時(shí)實(shí)現(xiàn)定制化，只需在cron字段填上定制化的時(shí)間就能實(shí)現(xiàn)定時(shí)任務(wù)的定制化。

Quartz實(shí)現(xiàn)定時(shí)調(diào)度系統(tǒng)是將任務(wù)開發(fā)和任務(wù)調(diào)度進(jìn)行分離[6]。開發(fā)人員不需要考慮任務(wù)的調(diào)度問題，只需要考慮任務(wù)需要爬取什么數(shù)據(jù)，然后實(shí)現(xiàn)Job接口即可。任務(wù)調(diào)度可以根據(jù)任務(wù)自身的情況進(jìn)行設(shè)置，可以在爬蟲管理系統(tǒng)中配置，也可以直接配置在數(shù)據(jù)庫中。當(dāng)SpringBoot容器啟動后，系統(tǒng)自動檢測所有實(shí)現(xiàn)Job接口的類，并將其初始化為實(shí)例，在初始化過程中，系統(tǒng)會讀取每個(gè)Job任務(wù)已經(jīng)設(shè)置好的調(diào)度信息，而后根據(jù)配置好的調(diào)度信息進(jìn)行有序調(diào)度[7]。

4 結(jié)束語

本文通過Crawler4j和Quartz來搭建分布式定時(shí)爬蟲系統(tǒng)，分布式節(jié)點(diǎn)數(shù)量理論上不受限制，且每個(gè)節(jié)點(diǎn)中的代碼、配置和部署都一模一樣。在集群中任務(wù)的數(shù)目可以成百上千，同時(shí)每一個(gè)任務(wù)可以在Crawler4j中配置多線程，從而大大提高了爬蟲的效率。目前實(shí)現(xiàn)的分布式系統(tǒng)穩(wěn)定，超過半年沒有出現(xiàn)過宕機(jī)的情況，而且開發(fā)簡單，高效。

當(dāng)然該分布式系統(tǒng)依然存在一些不足需要改進(jìn)：

（1）本系統(tǒng)還需要開發(fā)爬蟲管理系統(tǒng)，用來監(jiān)控和管理爬蟲任務(wù)。

（2）爬蟲系統(tǒng)需要設(shè)計(jì)更加通用的解析頁面方式，以便能夠快速地通過修改配置文件而不是重新修改對應(yīng)的代碼來解決眾多渠道改版所帶來的爬蟲實(shí)現(xiàn)問題。

參考文獻(xiàn)：

[1]王敏.分布式網(wǎng)絡(luò)爬蟲的研究與實(shí)現(xiàn)[D].東南大學(xué)，2017.

[2]https：//github.com/yasserg/crawler4j[EB/OL].

[3]http：//www.quartz-scheduler.org/[EB/OL].

[4]張康.基于Quartz的分布式定時(shí)任務(wù)調(diào)度模塊的設(shè)計(jì)與實(shí)現(xiàn)[D].南京大學(xué)，2019.

[5]段子飛.支持Ajax的Deep Web網(wǎng)絡(luò)爬蟲系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].華南理工大學(xué)，2015.

[6]魏麗娟.基于hadoop的網(wǎng)絡(luò)爬蟲技術(shù)研究[D].武漢理工大學(xué)，2013.

[7]于成龍，于洪波.網(wǎng)絡(luò)爬蟲技術(shù)研究[J].東莞理工學(xué)院學(xué)報(bào)，2011，18（3）：25-29.