第一篇

准备写个爬虫， 可以怎么搞？

使用场景

先定义一个最简单的使用场景，给你一个url，把这个url中指定的内容爬下来，然后停止

• 一个待爬去的网址（有个地方指定爬的网址）
• 如何获取指定的内容（可以配置规则来获取指定的内容）

设计 & 实现

1. 基本数据结构

CrawlMeta.java

一个配置项，包含塞入的 url 和 获取规则

/*** Created by yihui on 2017/6/27.*/
@ToString
public class CrawlMeta {/*** 待爬去的网址*/@Getter@Setterprivate String url;/*** 获取指定内容的规则, 因为一个网页中，你可能获取多个不同的内容， 所以放在集合中*/@Setterprivate Set<String> selectorRules;// 这么做的目的就是为了防止NPE, 也就是说支持不指定选择规则public Set<String> getSelectorRules() {return selectorRules != null ? selectorRules : new HashSet<>();}}

CrawlResult

抓取的结果，除了根据匹配的规则获取的结果之外，把整个html的数据也保存下来，这样实际使用者就可以更灵活的重新定义获取规则

import org.jsoup.nodes.Document;@Getter
@Setter
@ToString
public class CrawlResult {/*** 爬取的网址*/private String url;/*** 爬取的网址对应的 DOC 结构*/private Document htmlDoc;/*** 选择的结果，key为选择规则，value为根据规则匹配的结果*/private Map<String, List<String>> result;}

说明：这里采用jsoup来解析html

2. 爬取任务

爬取网页的具体逻辑就放在这里了

一个爬取的任务 CrawlJob，爬虫嘛，正常来讲都会塞到一个线程中去执行，虽然我们是第一篇，也不至于low到直接放到主线程去做

面向接口编程，所以我们定义了一个 IJob 的接口

IJob.java

这里定义了两个方法，在job执行之前和之后的回调，加上主要某些逻辑可以放在这里来做（如打日志，耗时统计等），将辅助的代码从爬取的代码中抽取，使代码结构更整洁

public interface IJob extends Runnable {/*** 在job执行之前回调的方法*/void beforeRun();/*** 在job执行完毕之后回调的方法*/void afterRun();
}

AbstractJob

因为IJob 多了两个方法，所以就衍生了这个抽象类，不然每个具体的实现都得去实现这两个方法，有点蛋疼

然后就是借用了一丝模板设计模式的思路，把run方法也实现了，单独拎了一个doFetchPage方法给子类来实现，具体的抓取网页的逻辑

public abstract class AbstractJob implements IJob {public void beforeRun() {}public void afterRun() {}@Overridepublic void run() {this.beforeRun();try {this.doFetchPage();} catch (Exception e) {e.printStackTrace();}this.afterRun();}/*** 具体的抓去网页的方法， 需要子类来补全实现逻辑** @throws Exception*/public abstract void doFetchPage() throws Exception;
}

SimpleCrawlJob

一个最简单的实现类，直接利用了JDK的URL方法来抓去网页，然后利用jsoup进行html结构解析，这个实现中有较多的硬编码，先看着，下面就着手第一步优化

/*** 最简单的一个爬虫任务* <p>* Created by yihui on 2017/6/27.*/
@Getter
@Setter
public class SimpleCrawlJob extends AbstractJob {/*** 配置项信息*/private CrawlMeta crawlMeta;/*** 存储爬取的结果*/private CrawlResult crawlResult;/*** 执行抓取网页*/public void doFetchPage() throws Exception {URL url = new URL(crawlMeta.getUrl());HttpURLConnection connection = (HttpURLConnection) url.openConnection();BufferedReader in = null;StringBuilder result = new StringBuilder();try {// 设置通用的请求属性connection.setRequestProperty("accept", "*/*");connection.setRequestProperty("connection", "Keep-Alive");connection.setRequestProperty("user-agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1;SV1)");// 建立实际的连接connection.connect();Map<String, List<String>> map = connection.getHeaderFields();//遍历所有的响应头字段for (String key : map.keySet()) {System.out.println(key + "--->" + map.get(key));}// 定义 BufferedReader输入流来读取URL的响应in = new BufferedReader(new InputStreamReader(connection.getInputStream()));String line;while ((line = in.readLine()) != null) {result.append(line);}} finally {        // 使用finally块来关闭输入流try {if (in != null) {in.close();}} catch (Exception e2) {e2.printStackTrace();}}doParse(result.toString());}private void doParse(String html) {Document doc = Jsoup.parse(html);Map<String, List<String>> map = new HashMap<>(crawlMeta.getSelectorRules().size());for (String rule: crawlMeta.getSelectorRules()) {List<String> list = new ArrayList<>();for (Element element: doc.select(rule)) {list.add(element.text());}map.put(rule, list);}this.crawlResult = new CrawlResult();this.crawlResult.setHtmlDoc(doc);this.crawlResult.setUrl(crawlMeta.getUrl());this.crawlResult.setResult(map);}
}

4. 测试

上面一个最简单的爬虫就完成了，就需要拉出来看看，是否可以正常的工作了

就拿自己的博客作为测试网址，目标是获取 title + content，所以测试代码如下

/*** 测试我们写的最简单的一个爬虫,** 目标是爬取一篇博客*/
@Test
public void testFetch() throws InterruptedException {String url = "https://my.oschina.net/u/566591/blog/1031575";Set<String> selectRule = new HashSet<>();selectRule.add("div[class=title]"); // 博客标题selectRule.add("div[class=blog-body]"); // 博客正文CrawlMeta crawlMeta = new CrawlMeta();crawlMeta.setUrl(url); // 设置爬取的网址crawlMeta.setSelectorRules(selectRule); // 设置抓去的内容SimpleCrawlJob job = new SimpleCrawlJob();job.setCrawlMeta(crawlMeta);Thread thread = new Thread(job, "crawler-test");thread.start();thread.join(); // 确保线程执行完毕CrawlResult result = job.getCrawlResult();System.out.println(result);
}

代码演示示意图如下

从返回的结果可以看出，抓取到的title中包含了博客标题 + 作着，主要的解析是使用的 jsoup，所以这些抓去的规则可以参考jsoup的使用方式

优化

1. 上面完成之后，有个地方看着就不太舒服，doFetchPage 方法中的抓去网页，有不少的硬编码，而且那么一大串看着也不太利索, 所以考虑加一个配置项，用于记录HTTP相关的参数

2. 可以用更成熟的http框架来取代jdk的访问方式，维护和使用更加简单

仅针对这个最简单的爬虫，我们开始着手上面的两个优化点

1. 改用 HttpClient 来执行网络请求

使用httpClient，重新改上面的获取网页代码(暂不考虑配置项的情况), 对比之后发现代码会简洁很多

/*** 执行抓取网页*/
public void doFetchPage() throws Exception {HttpClient httpClient = HttpClients.createDefault();HttpGet httpGet = new HttpGet(crawlMeta.getUrl());HttpResponse response = httpClient.execute(httpGet);String res = EntityUtils.toString(response.getEntity());if (response.getStatusLine().getStatusCode() == 200) { // 请求成功doParse(res);} else {this.crawlResult = new CrawlResult();this.crawlResult.setStatus(response.getStatusLine().getStatusCode(), response.getStatusLine().getReasonPhrase());this.crawlResult.setUrl(crawlMeta.getUrl());}
}

这里加了一个对返回的code进行判断，兼容了一把访问不到数据的情况，对应的返回结果中，新加了一个表示状态的对象

CrawlResult

private Status status;public void setStatus(int code, String msg) {this.status = new Status(code, msg);
}@Getter
@Setter
@ToString
@AllArgsConstructor
static class Status {private int code;private String msg;
}

然后再进行测试，结果发现返回状态为 403, 主要是没有设置一些必要的请求参数，被拦截了，手动塞几个参数再试则ok

HttpGet httpGet = new HttpGet(crawlMeta.getUrl());
httpGet.addHeader("accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
httpGet.addHeader("connection", "Keep-Alive");
httpGet.addHeader("user-agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36");

2. http配置项

显然每次都这么手动塞入参数是不可选的，我们有必要透出一个接口，由用户自己来指定一些请求和返回参数

首先我们可以确认下都有些什么样的配置项

• 请求方法： GET, POST, OPTIONS, DELET ...
• RequestHeader: Accept Cookie Host Referer User-Agent Accept-Encoding Accept-Language ... （直接打开一个网页，看请求的hedaers即可）
• 请求参数
• ResponseHeader: 这个我们没法设置，但是我们可以设置网页的编码（这个来fix中文乱码比较使用）
• 是否走https（这个暂时可以不考虑，后面讨论）

新增一个配置文件，配置参数主要为

• 请求方法
• 请求参数
• 请求头

@ToString
public class CrawlHttpConf {private static Map<String, String> DEFAULT_HEADERS;static  {DEFAULT_HEADERS = new HashMap<>();DEFAULT_HEADERS.put("accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");DEFAULT_HEADERS.put("connection", "Keep-Alive");DEFAULT_HEADERS.put("user-agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36");}public enum HttpMethod {GET,POST,OPTIONS,PUT;}@Getter@Setterprivate HttpMethod method = HttpMethod.GET;/*** 请求头*/@Setterprivate Map<String, String> requestHeaders;/*** 请求参数*/@Setterprivate Map<String, Object> requestParams;public Map<String, String> getRequestHeaders() {return requestHeaders == null ? DEFAULT_HEADERS : requestHeaders;}public Map<String, Object> getRequestParams() {return requestParams == null ? Collections.emptyMap() : requestParams;}
}

新建一个 HttpUtils 工具类，来具体的执行Http请求, 下面我们暂先实现Get/Post两个请求方式，后续可以再这里进行扩展和优化

public class HttpUtils {public static HttpResponse request(CrawlMeta crawlMeta, CrawlHttpConf httpConf) throws Exception {switch (httpConf.getMethod()) {case GET:return doGet(crawlMeta, httpConf);case POST:return doPost(crawlMeta, httpConf);default:return null;}}private static HttpResponse doGet(CrawlMeta crawlMeta, CrawlHttpConf httpConf) throws Exception {
//        HttpClient httpClient = HttpClients.createDefault();SSLContextBuilder builder = new SSLContextBuilder();
//         全部信任 不做身份鉴定builder.loadTrustMaterial(null, (x509Certificates, s) -> true);HttpClient httpClient = HttpClientBuilder.create().setSslcontext(builder.build()).build();// 设置请求参数StringBuilder param = new StringBuilder(crawlMeta.getUrl()).append("?");for (Map.Entry<String, Object> entry : httpConf.getRequestParams().entrySet()) {param.append(entry.getKey()).append("=").append(entry.getValue()).append("&");}HttpGet httpGet = new HttpGet(param.substring(0, param.length() - 1)); // 过滤掉最后一个无效字符// 设置请求头for (Map.Entry<String, String> head : httpConf.getRequestHeaders().entrySet()) {httpGet.addHeader(head.getKey(), head.getValue());}// 执行网络请求return httpClient.execute(httpGet);}private static HttpResponse doPost(CrawlMeta crawlMeta, CrawlHttpConf httpConf) throws Exception {
//        HttpClient httpClient = HttpClients.createDefault();SSLContextBuilder builder = new SSLContextBuilder();
//         全部信任 不做身份鉴定builder.loadTrustMaterial(null, (x509Certificates, s) -> true);HttpClient httpClient = HttpClientBuilder.create().setSslcontext(builder.build()).build();HttpPost httpPost = new HttpPost(crawlMeta.getUrl());// 建立一个NameValuePair数组，用于存储欲传送的参数List<NameValuePair> params = new ArrayList<>();for (Map.Entry<String, Object> param : httpConf.getRequestParams().entrySet()) {params.add(new BasicNameValuePair(param.getKey(), param.getValue().toString()));}httpPost.setEntity(new UrlEncodedFormEntity(params, HTTP.UTF_8));// 设置请求头for (Map.Entry<String, String> head : httpConf.getRequestHeaders().entrySet()) {httpPost.addHeader(head.getKey(), head.getValue());}return httpClient.execute(httpPost);}
}

然后我们的 doFetchPage 方法将简洁很多

/**
* 执行抓取网页
*/
public void doFetchPage() throws Exception {HttpResponse response = HttpUtils.request(crawlMeta, httpConf);String res = EntityUtils.toString(response.getEntity());if (response.getStatusLine().getStatusCode() == 200) { // 请求成功doParse(res);} else {this.crawlResult = new CrawlResult();this.crawlResult.setStatus(response.getStatusLine().getStatusCode(), response.getStatusLine().getReasonPhrase());this.crawlResult.setUrl(crawlMeta.getUrl());}
}

下一步

上面我们实现的是一个最简陋，最基础的东西了，但是这个基本上又算是满足了核心的功能点，但距离一个真正的爬虫框架还差那些呢 ？

另一个核心的就是：

爬了一个网址之后，解析这个网址中的链接，继续爬！！！

下一篇则将在本此的基础上，考虑如何实现上面这个功能点；写这个博客的思路，将是先做一个实现需求场景的东西出来，，可能在开始实现时，很多东西都比较挫，兼容性扩展性易用性啥的都不怎么样，计划是在完成基本的需求点之后，然后再着手去优化看不顺眼的地方

坚持，希望可以持之以恒，完善这个东西

源码

项目地址: https://github.com/liuyueyi/quick-crawler

上面的分了两步，均可以在对应的tag中找到响应的代码，主要代码都在core模块下

第一步对应的tag为：v0.001

优化后对应的tag为：v0.002