cockroach 爬虫：又一个 java 爬虫实现

简介

cockroach[小强] 当时不知道为啥选了这么个名字，又长又难记，导致编码的过程中因为单词的拼写问题耽误了好长时间。

这个项目算是我的又一个坑吧，算起来挖的坑多了去了，多一个不多少一个不少。

一个小巧、灵活、健壮的爬虫框架，暂且叫做框架吧。

简单到什么程度呢，几句话就可以创建一个爬虫。

依赖

java8 程序中用到了一些 java8 的新特性

maven

下面就逐点介绍一下：

小巧

git clone https://github.com/zhangyingwei/cockroach.git

cd cockroach

git install

然后新建一个 maven 项目，在 pom 文件中引入

<dependency>
<groupId>com.zhangyingwei.cockroach</groupId>
<artifactId>cockroach</artifactId>
<version>1.0-Alpha</version>
</dependency>

在项目中新建一个测试类 App.java 并新建 main 方法。

实例

public static void main(String[] args){
CockroachConfig config = new CockroachConfig()
.setAppName("我是一个小强")
.setThread(2); //爬虫线程数
CockroachContext context = new CockroachContext(config);
TaskQueue queue = TaskQueue.of();
context.start(queue);

// 以上就是一个完整的爬虫，下边的代码相当于一个生产者，往队列里边写任务，一旦写入任务，爬虫就会对任务进行爬取
new Thread(() -> {
int i = 0;
while(true){
i++;
try {
Thread.sleep(1000);
String url = "http://www.xicidaili.com/wt/"+i;
System.out.println(url);
queue.push(new Task(url));
} catch (InterruptedException e) {
e.printStackTrace();
}
if (i > 1000) {
break;
}
}
}).start();
}

灵活

那灵活又体现在什么方面呢

可以自定义 http 客户端（可选，默认使用 okhttp3）

可以自定义结果的处理 （可选，默认使用打印处理器）

自定义 http 客户端

首先我们尝试一下自定义客户端

public class SelfHttpClient implements HttpClient {
public HttpClient setProxy(HttpProxy proxy){
//设置代理实现方法
}
public TaskResponse doGet(Task task) throws Exception{
// get 请求实现方法
}

public HttpClient proxy(){
// 应用代理到 http 客户端 方法
}

public TaskResponse doPost(Task task) throws Exception{
// post 请求实现方法
}

public HttpClient setCookie(String cookie){
// 设置 cookie 实现方法
}

public HttpClient setHttpHeader(Map<String, String> httpHeader){
// 设置 header 实现方法
}
}

应用自定义 http 客户端到爬虫

CockroachConfig config = new CockroachConfig()
.setAppName("我是一个小强")
.setThread(2) //爬虫线程数
.setHttpClient(SelfHttpClient.class)

自定义结果处理类

自定义结果处理类

public class SelfStore implements IStore {
@Override
public void store(TaskResponse response) {
System.out.println(response.getContent());
}
}

这里简单的将结果打印了出来，在实际应用中，我们可以保存到数据库或者保存到文件中等等。值得一说的是，如果结果是 html 网页文本的话，我们还提供了 select("css选择器") 来对结果文本进行处理。

应用自定义 store 客户端到爬虫

CockroachConfig config = new CockroachConfig()
.setAppName("我是一个小强")
.setThread(2) //爬虫线程数
.setHttpClient(SelfHttpClient.class).setStore(SelfStore.class);

自定义错误处理类

当 http 请求网页出现错误的时候会统一定位到错误处理类，如果没有自定义错误处理类，系统会默认使用 DefaultTaskErrorHandler ，此处理类会吧错误信息打印出来。具体实现代码如下。

public class DefaultTaskErrorHandler implements ITaskErrorHandler {
private Logger logger = Logger.getLogger(DefaultTaskErrorHandler.class);
@Override
public void error(Task task,String message) {
logger.info("task error: "+message);
}
}

如果需要自定义错误处理类，可以仿照以上代码，实现 ITaskErrorHandler 接口，在 error 方法中实现自己的处理逻辑。

在自定义错误处理类之后，我们需要把自定义类应用到爬虫。

CockroachConfig config = new CockroachConfig()
.setAppName("我是一个小强")
.setThread(2) //爬虫线程数
.setHttpClient(SelfHttpClient.class).setStore(SelfStore.class)
.setTaskErrorHandler(SelfTaskErrorHandler.class);

健壮

说到健壮，这里主要体现在以下几个方面：

应对IP封锁

这里我们使用动态代理来解决这个问题。

动态代理的使用

CockroachConfig config = new CockroachConfig()
.setAppName("我是一个小强")
.setThread(2) //爬虫线程数
.setHttpClient(SelfHttpClient.class).setProxys("100.100.100.100:8888,101.101.101.101:8888")

如上所示，我们可以设置若干个代理 ip，最终将所有代理 ip 生成一个代理池，在爬虫请求之前，我们会从代理池中随机抽取一个 ip 做代理。

应对 http 请求中的 user-agent 问题

程序中实现了一个 user-agent 池，每次请求都会随机取出一个 user-agent 使用，目前在程序中集成了 17 种 user-agent，后续会考虑把这块开放出来到配置中，自定义配置（有没有意义呢？）。

程序中的异常处理问题

目前在异常处理这块，本身也不是非常擅长，已经尽力把异常控制在一个可控的范围内，程序中定义了很多自定义异常，这里没有什么发言权，就不细说了，各位要是有意见建议，欢迎拍砖。

所谓深度爬取

程序中并没有现成的深度爬取实现，是因为一般情况下我并不觉得深度爬取有什么卵用，但是也不是没有为深度爬取留出来一席之地。我们可以自己提取出页面中的链接并加入到任务队列中。以达到深度爬取的效果。

public class DemoStore implements IStore {

private String id = NameUtils.name(DemoStore.class);

public DemoStore() throws IOException {}

@Override
public void store(TaskResponse response) throws IOException {
List<String> urls = response.select("a").stream().map(element -> element.attr("href")).collect(Collectors.toList());
try {
response.getQueue().push(urls);
} catch (Exception e) {
e.printStackTrace();
}
}
}

关于分布式，我有话说

现在网上是个爬虫就要搞一下分布式，这令我很不爽。

实际上我看过几个所谓的分布式爬虫源码，他们所谓的分布式，连伪分布式都算不上！！！使用个 redis 做消息中间件就分布式了吗？ 这就是所谓的分布式？？这根本就不是分布式，本来我也准备使用 redis 做消息中间件来装个分布式的 B，但是写了一半忽然觉得有点恶心，遂删除了代码，还程序一个清静，也还我自己一个安心。

分布式这个坑肯定是要挖的！！！

所以，我的分布式将会包括：

分布式消息中间件（有可能会使用 redis 或者自己实现一个; 为了还程序一个清静，最有可能会自己实现一个）

分布式任务调度

分布式分布式容错机制

分布式事务

状态监控

所以，这个坑是越来越大了么？？我靠，有点怕怕