基于Vert.x和RxJava 2构建通用的爬虫框架

最近由于业务需要监控一些数据，虽然市面上有很多优秀的爬虫框架，但是我仍然打算从头开始实现一套完整的爬虫框架。

在技术选型上，我没有选择Spring来搭建项目，而是选择了更轻量级的Vert.x。一方面感觉Spring太重了，而Vert.x是一个基于JVM、轻量级、高性能的框架。它基于事件和异步，依托于全异步Java服务器Netty，并扩展了很多其他特性。

github地址：https://github.com/fengzhizi715/NetDiscovery

一. 爬虫框架的功能

爬虫框架包含爬虫引擎(SpiderEngine)和爬虫(Spider)。SpiderEngine可以管理多个Spider。

1.1 Spider

在Spider中，主要包含几个组件：downloader、queue、parser、pipeline以及代理池IP(proxypool)，代理池是一个单独的项目，我前段时间写的，在使用爬虫框架时经常需要切换代理IP，所以把它引入进来。

proxypool地址：https://github.com/fengzhizi715/ProxyPool

其余四个组件都是接口，在爬虫框架中内置了一些实现，例如内置了多个下载器(downloader)包括vertx的webclient、http client、okhttp3、selenium实现的下载器。开发者可以根据自身情况来选择使用或者自己开发全新的downloader。

Downloader的download方法会返回一个Maybe<Response>。

package com.cv4j.netdiscovery.core.downloader;

import com.cv4j.netdiscovery.core.domain.Request;
import com.cv4j.netdiscovery.core.domain.Response;
import io.reactivex.Maybe;

/**
 * Created by tony on 2017/12/23.
 */
public interface Downloader {

    Maybe<Response> download(Request request);

    void close();
}

在Spider中，通过Maybe<Response>对象来实现后续的一系列的链式调用，比如将Response转换成Page对象，再对Page对象进行解析，Page解析完毕之后做一系列的pipeline操作。

                  downloader.download(request)
                            .observeOn(Schedulers.io())
                            .map(new Function<Response, Page>() {

                                @Override
                                public Page apply(Response response) throws Exception {

                                    Page page = new Page();
                                    page.setHtml(new Html(response.getContent()));
                                    page.setRequest(request);
                                    page.setUrl(request.getUrl());
                                    page.setStatusCode(response.getStatusCode());

                                    return page;
                                }
                            })
                            .map(new Function<Page, Page>() {

                                @Override
                                public Page apply(Page page) throws Exception {

                                    if (parser != null) {

                                        parser.process(page);
                                    }

                                    return page;
                                }
                            })
                            .map(new Function<Page, Page>() {

                                @Override
                                public Page apply(Page page) throws Exception {

                                    if (Preconditions.isNotBlank(pipelines)) {

                                        pipelines.stream()
                                                .forEach(pipeline -> pipeline.process(page.getResultItems()));
                                    }

                                    return page;
                                }
                            })
                            .subscribe(new Consumer<Page>() {

                                @Override
                                public void accept(Page page) throws Exception {

                                    log.info(page.getUrl());

                                    if (request.getAfterRequest()!=null) {

                                        request.getAfterRequest().process(page);
                                    }
                                }
                            }, new Consumer<Throwable>() {
                                @Override
                                public void accept(Throwable throwable) throws Exception {

                                    log.error(throwable.getMessage());
                                }
                            });

在这里使用RxJava 2可以让整个爬虫框架看起来更加响应式：）

1.2 SpiderEngine

SpiderEngine可以包含多个Spider，可以通过addSpider()、createSpider()来将爬虫添加到SpiderEngine和创建新的Spider并添加到SpiderEngine。

在SpiderEngine中，如果调用了httpd(port)方法，还可以监控SpiderEngine中各个Spider。

1.2.1 获取某个爬虫的状态

http://localhost:{port}/netdiscovery/spider/{spiderName}

类型：GET

1.2.2 获取SpiderEngine中所有爬虫的状态

http://localhost:{port}/netdiscovery/spiders/

类型：GET

1.2.3 修改某个爬虫的状态

http://localhost:{port}/netdiscovery/spider/{spiderName}/status

类型：POST

参数说明：

{
    "status":2   //让爬虫暂停
}

使用框架的例子

创建一个SpiderEngine，然后创建三个Spider，每个爬虫每隔一定的时间去爬取一个页面。

        SpiderEngine engine = SpiderEngine.create();

        Spider spider = Spider.create()
                .name("tony1")
                .repeatRequest(10000,"http://www.163.com")
                .initialDelay(10000);

        engine.addSpider(spider);

        Spider spider2 = Spider.create()
                .name("tony2")
                .repeatRequest(10000,"http://www.baidu.com")
                .initialDelay(10000);

        engine.addSpider(spider2);

        Spider spider3 = Spider.create()
                .name("tony3")
                .repeatRequest(10000,"http://www.126.com")
                .initialDelay(10000);

        engine.addSpider(spider3);

        engine.httpd(8080);
        engine.run();

上述程序运行一段时间之后，在浏览器中输入：http://localhost:8080/netdiscovery/spiders

我们能看到三个爬虫运行的结果。

将json格式化一下

{
    "code": 200,
    "data": [{
        "downloaderType": "VertxDownloader",
        "leftRequestSize": 0,
        "queueType": "DefaultQueue",
        "spiderName": "tony2",
        "spiderStatus": 1,
        "totalRequestSize": 7
    }, {
        "downloaderType": "VertxDownloader",
        "leftRequestSize": 0,
        "queueType": "DefaultQueue",
        "spiderName": "tony3",
        "spiderStatus": 1,
        "totalRequestSize": 7
    }, {
        "downloaderType": "VertxDownloader",
        "leftRequestSize": 0,
        "queueType": "DefaultQueue",
        "spiderName": "tony1",
        "spiderStatus": 1,
        "totalRequestSize": 7
    }],
    "message": "success"
}

案例

最近比较关注区块链，因此做了一个程序来实时抓取三种数字货币的价格，可以通过“询问”公众号的方式来获取最新的价格。

目前该程序已经上线，可以通过询问我的公众号，来实时获取这几种数字货币的最新价格。

TODO

1. 增加对登录验证码的识别
2. 增加elasticsearch的支持

总结

这个爬虫框架才刚刚起步，我也参考了很多优秀的爬虫框架。未来我会在框架中考虑增加通过截屏图片来分析图片中的数据。甚至会结合cv4j框架。过年前，在爬虫框架中会优先实现对登录验证码的识别。