隨著BIG DATA大數(shù)據(jù)概念逐漸升溫，如何搭建一個(gè)能夠采集海量數(shù)據(jù)的架構(gòu)體系擺在大家眼前。如何能夠做到所見即所得的無阻攔式采集、如何快速把不規(guī)則頁面結(jié)構(gòu)化并存儲(chǔ)、如何滿足越來越多的數(shù)據(jù)采集還要在有限時(shí)間內(nèi)采集。這篇文章結(jié)合我們自身項(xiàng)目經(jīng)驗(yàn)談一下。
我們來看一下作為人是怎么獲取網(wǎng)頁數(shù)據(jù)的呢？
1、打開瀏覽器，輸入網(wǎng)址url訪問頁面內(nèi)容。
2、復(fù)制頁面內(nèi)容的標(biāo)題、作者、內(nèi)容。
3、存儲(chǔ)到文本文件或者excel。
從技術(shù)角度來說整個(gè)過程主要為 網(wǎng)絡(luò)訪問、扣取結(jié)構(gòu)化數(shù)據(jù)、存儲(chǔ)。我們看一下用java程序如何來實(shí)現(xiàn)這一過程。
import java.io.IOException;
import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpException;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.lang.StringUtils;
public class HttpCrawler {
public static void main(
String[] args) {
String content = null ;
try {
HttpClient httpClient = new HttpClient();
//1、網(wǎng)絡(luò)請求
GetMethod method = new GetMethod("http://www.baidu.com" );
int statusCode = httpClient.executeMethod(method);
if (statusCode == HttpStatus. SC_OK) {
content = method.getResponseBodyAsString();
//結(jié)構(gòu)化扣取
String title = StringUtils.substringBetween(content, "<title>" , "</title>" );
//存儲(chǔ)
System. out .println(title);
}
} catch (HttpException e) {
e.printStackTrace();
} catch (
IOException e) {
e.printStackTrace();
} finally {
}
}
}
通過這個(gè)例子，我們看到通過httpclient獲取數(shù)據(jù)，通過字符串操作扣取標(biāo)題內(nèi)容，然后通過system.out輸出內(nèi)容。大家是不是感覺做一個(gè)爬蟲也還是蠻簡單呢。這是一個(gè)基本的入門例子，我們再詳細(xì)介紹怎么一步一步構(gòu)建一個(gè)分布式的適用于海量數(shù)據(jù)采集的爬蟲框架。
整個(gè)框架應(yīng)該包含以下部分，資源管理、反監(jiān)控管理、抓取管理、監(jiān)控管理?？匆幌抡麄€(gè)框架的架構(gòu)圖：
資源管理指網(wǎng)站分類體系、網(wǎng)站、網(wǎng)站訪問url等基本資源的管理維護(hù)；
反監(jiān)控管理指被訪問網(wǎng)站（特別是社會(huì)化媒體）會(huì)禁止爬蟲訪問，怎么讓他們不能監(jiān)控到我們的訪問時(shí)爬蟲軟件，這就是反監(jiān)控機(jī)制了；
一個(gè)好的采集框架，不管我們的目標(biāo)數(shù)據(jù)在哪兒，只要用戶能夠看到都應(yīng)該能采集到。所見即所得的無阻攔式采集，無論是否需要登錄的數(shù)據(jù)都能夠順利采集?，F(xiàn)在大部分社交網(wǎng)站都需要登錄，為了應(yīng)對登錄的網(wǎng)站要有模擬用戶登錄的爬蟲系統(tǒng)，才能正常獲取數(shù)據(jù)。不過社會(huì)化網(wǎng)站都希望自己形成一個(gè)閉環(huán)，不愿意把數(shù)據(jù)放到站外，這種系統(tǒng)也不會(huì)像新聞等內(nèi)容那么開放的讓人獲取。這些社會(huì)化網(wǎng)站大部分會(huì)采取一些限制防止機(jī)器人爬蟲系統(tǒng)爬取數(shù)據(jù)，一般一個(gè)賬號爬取不了多久就會(huì)被檢測出來被禁止訪問了。那是不是我們就不能爬取這些網(wǎng)站的數(shù)據(jù)呢？肯定不是這樣的，只要社會(huì)化網(wǎng)站不關(guān)閉網(wǎng)頁訪問，正常人能夠訪問的數(shù)據(jù)，我們也能訪問。說到底就是模擬人的正常行為操作，專業(yè)一點(diǎn)叫“反監(jiān)控”。
那一般網(wǎng)站會(huì)有什么限制呢？
一定時(shí)間內(nèi)單IP訪問次數(shù)，沒有哪個(gè)人會(huì)在一段持續(xù)時(shí)間內(nèi)過快訪問，除非是隨意的點(diǎn)著玩，持續(xù)時(shí)間也不會(huì)太長。可以采用大量不規(guī)則代理IP來模擬。
一定時(shí)間內(nèi)單賬號訪問次數(shù)，這個(gè)同上，正常人不會(huì)這么操作?？梢圆捎么罅啃袨檎５馁~號，行為正常就是普通人怎么在社交網(wǎng)站上操作，如果一個(gè)人一天24小時(shí)都在訪問一個(gè)數(shù)據(jù)接口那就有可能是機(jī)器人了。
如果能把賬號和IP的訪問策略控制好了，基本可以解決這個(gè)問題了。當(dāng)然對方網(wǎng)站也會(huì)有運(yùn)維會(huì)調(diào)整策略，說到底這是一個(gè)戰(zhàn)爭，躲在電腦屏幕后的敵我雙方，爬蟲必須要能感知到對方的反監(jiān)控策略進(jìn)行了調(diào)整，通知管理員及時(shí)處理。未來比較理想應(yīng)該是通過機(jī)器學(xué)習(xí)算法自動(dòng)完成策略調(diào)整，保證抓取不間斷。
抓取管理指通過url，結(jié)合資源、反監(jiān)控抓取數(shù)據(jù)并存儲(chǔ)；我們現(xiàn)在大部分爬蟲系統(tǒng)，很多都需要自己設(shè)定正則表達(dá)式，或者使用htmlparser、jsoup等軟件來硬編碼解決結(jié)構(gòu)化抓取的問題。不過大家在做爬蟲也會(huì)發(fā)現(xiàn)，如果爬取一個(gè)網(wǎng)站就去開發(fā)一個(gè)類，在規(guī)模小的時(shí)候還可以接受，如果需要抓取的網(wǎng)站成千上萬，那我們不是要開發(fā)成百上千的類。為此我們開發(fā)了一個(gè)通用的抓取類，可以通過參數(shù)驅(qū)動(dòng)內(nèi)部邏輯調(diào)度。比如我們在參數(shù)里指定抓取新浪微博，抓取機(jī)器就會(huì)調(diào)度新浪微博網(wǎng)頁扣取規(guī)則抓取節(jié)點(diǎn)數(shù)據(jù)，調(diào)用存儲(chǔ)規(guī)則存儲(chǔ)數(shù)據(jù)，不管什么類型最后都調(diào)用同一個(gè)類來處理。對于我們用戶只需要設(shè)置抓取規(guī)則，相應(yīng)的后續(xù)處理就交給抓取平臺(tái)了。
整個(gè)抓取使用了 xpath、正則表達(dá)式、消息中間件、多線程調(diào)度框架（參考）。xpath 是一種結(jié)構(gòu)化網(wǎng)頁元素選擇器，支持列表和單節(jié)點(diǎn)數(shù)據(jù)獲取，他的好處可以支持規(guī)整網(wǎng)頁數(shù)據(jù)抓取。我們使用的是google插件
XPath Helper，這個(gè)玩意可以支持在網(wǎng)頁點(diǎn)擊元素生成xpath，就省去了自己去查找xpath的功夫，也便于未來做到所點(diǎn)即所得的功能。正則表達(dá)式補(bǔ)充xpath抓取不到的數(shù)據(jù)，還可以過濾一些特殊字符。消息中間件，起到抓取任務(wù)中間轉(zhuǎn)發(fā)的目的，避免抓取和各個(gè)需求方耦合。比如各個(gè)業(yè)務(wù)系統(tǒng)都可能抓取數(shù)據(jù)，只需要向消息中間件發(fā)送一個(gè)抓取指令，抓取平臺(tái)抓完了會(huì)返回一條消息給消息中間件，業(yè)務(wù)系統(tǒng)在從消息中間件收到消息反饋，整個(gè)抓取完成。
多線程調(diào)度框架之前提到過，我們的抓取平臺(tái)不可能在同一時(shí)刻只抓一個(gè)消息的任務(wù)；也不可能無限制抓取，這樣資源會(huì)耗盡，導(dǎo)致惡性循環(huán)。這就需要使用多線程調(diào)度框架來調(diào)度多線程任務(wù)并行抓取，并且任務(wù)的數(shù)量，保證資源的消耗正常。
不管怎么模擬總還是會(huì)有異常的，這就需要有個(gè)異常處理模塊，有些網(wǎng)站訪問一段時(shí)間需要輸入驗(yàn)證碼，如果不處理后續(xù)永遠(yuǎn)返回不了正確數(shù)據(jù)。我們需要有機(jī)制能夠處理像驗(yàn)證碼這類異常，簡單就是有驗(yàn)證碼了人為去輸入，高級一些可以破解驗(yàn)證碼識(shí)別算法實(shí)現(xiàn)自動(dòng)輸入驗(yàn)證碼的目的。
擴(kuò)展一下 ：所見即所得我們是不是真的做到？規(guī)則配置也是個(gè)重復(fù)的大任務(wù)？重復(fù)網(wǎng)頁如何不抓??？
1、有些網(wǎng)站利用js生成網(wǎng)頁內(nèi)容，直接查看源代碼是一堆js。 可以使用mozilla、webkit等可以解析瀏覽器的工具包解析js、ajax，不過速度會(huì)有點(diǎn)慢。
2、網(wǎng)頁里有一些css隱藏的文字。使用工具包把css隱藏文字去掉。
3、圖片flash信息。 如果是圖片中文字識(shí)別，這個(gè)比較好處理，能夠使用ocr識(shí)別文字就行，如果是flash目前只能存儲(chǔ)整個(gè)url。
4、一個(gè)網(wǎng)頁有多個(gè)網(wǎng)頁結(jié)構(gòu)。如果只有一套抓取規(guī)則肯定不行的，需要多個(gè)規(guī)則配合抓取。
5、html不完整，不完整就不能按照正常模式去扣取。這個(gè)時(shí)候用xpath肯定解析不了，我們可以先用htmlcleaner清洗網(wǎng)頁后再解析。
6、 如果網(wǎng)站多起來，規(guī)則配置這個(gè)工作量也會(huì)非常大。如何幫助系統(tǒng)快速生成規(guī)則呢？首先可以配置規(guī)則可以通過可視化配置，比如用戶在看到的網(wǎng)頁想對它抓取數(shù)據(jù)，只需要拉開插件點(diǎn)擊需要的地方，規(guī)則就自動(dòng)生成好了。另在量比較大的時(shí)候可視化還是不夠的，可以先將類型相同的網(wǎng)站歸類，再通過抓取的一些內(nèi)容聚類，可以統(tǒng)計(jì)學(xué)、可視化抓取把內(nèi)容扣取出幾個(gè)版本給用戶去糾正，最后確認(rèn)的規(guī)則就是新網(wǎng)站的規(guī)則。這些算法后續(xù)再講。這塊再補(bǔ)充一下（多謝zicjin建議）：
背景：如果我們需要抓取的網(wǎng)站很多，那如果靠可視化配置需要耗費(fèi)大量的人力，這是個(gè)成本。并且這個(gè)交給不懂html的業(yè)務(wù)去配置準(zhǔn)確性值得考量，所以最后還是需要技術(shù)做很多事情。那我們能否通過技術(shù)手段可以幫助生成規(guī)則減少人力成本，或者幫助不懂技術(shù)的業(yè)務(wù)準(zhǔn)確的把數(shù)據(jù)扣取下來并大量復(fù)制。
方案：先對網(wǎng)站分類，比如分為新聞、論壇、視頻等，這一類網(wǎng)站的網(wǎng)頁結(jié)構(gòu)是類似的。在業(yè)務(wù)打開需要扣取的還沒有錄入我們規(guī)則庫的網(wǎng)頁時(shí)，他先設(shè)定這個(gè)頁面的分類（當(dāng)然這個(gè)也可以機(jī)器預(yù)先判斷，他們來選擇，這一步必須要人判斷下），有了分類后，我們會(huì)通過“統(tǒng)計(jì)學(xué)、可視化判斷”識(shí)別這一分類的字段規(guī)則，但是這個(gè)是機(jī)器識(shí)別的規(guī)則，可能不準(zhǔn)確，機(jī)器識(shí)別完后，還需要人在判斷一下。判斷完成后，最后形成規(guī)則才是新網(wǎng)站的規(guī)則
7、對付重復(fù)的網(wǎng)頁，如果重復(fù)抓取會(huì)浪費(fèi)資源，如果不抓需要一個(gè)海量的去重判斷緩存。判斷抓不抓，抓了后存不存，并且這個(gè)緩存需要快速讀寫。常見的做法有bloomfilter、相似度聚合、分類海明距離判斷。
監(jiān)控管理指不管什么系統(tǒng)都可能出問題，如果對方服務(wù)器宕機(jī)、網(wǎng)頁改版、更換地址等我們需要第一時(shí)間知道，這時(shí)監(jiān)控系統(tǒng)就起到出現(xiàn)了問題及時(shí)發(fā)現(xiàn)并通知聯(lián)系人。
目前這樣的框架搭建起來基本可以解決大量的抓取需求了。通過界面可以管理資源、反監(jiān)控規(guī)則、網(wǎng)頁扣取規(guī)則、消息中間件狀態(tài)、數(shù)據(jù)監(jiān)控圖表，并且可以通過后臺(tái)調(diào)整資源分配并能動(dòng)態(tài)更新保證抓取不斷電。不過如果一個(gè)任務(wù)的處理特別大，可能需要抓取24個(gè)小時(shí)或者幾天。比如我們要抓取一條微博的轉(zhuǎn)發(fā)，這個(gè)轉(zhuǎn)發(fā)是30w，那如果每頁線性去抓取耗時(shí)肯定是非常慢了，如果能把這30w拆分很多小任務(wù)，那我們的并行計(jì)算能力就會(huì)提高很多。不得不提的就是把大型的抓取任務(wù)hadoop化，廢話不說直接上圖：
今天先寫到這里，后續(xù)再介紹下 日均千萬大型采集項(xiàng)目實(shí)戰(zhàn)。
