零:寫在前面
uncs是java快速開發爬蟲的工具,簡單便捷,經過大量版本迭代和生產驗證,可以適用大多數網站,歡迎使用。
一:基本用法
開發包獲取 目前只能在公司內網maven服務器獲取到
<dependency> <groupId>com.cdc</groupId> <artifactId>uncs</artifactId> <version>3.0.0.6</version> </dependency>
開發單步流程
步驟一
package com.cdc.uncs.service.parts; import com.cdc.uncs.exception.UncsException; import com.cdc.uncs.model.HttpCrawlInfo; import com.cdc.uncs.model.TestRequest; import com.cdc.uncs.model.TestResponse; import com.cdc.uncs.service.NetCrawlPart; import com.cdc.uncs.service.TransContext; public class NetCrawlTestPart extends NetCrawlPart<TestRequest, TestResponse> { @Override public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException { String url = "http://www.baidu.com"; crawlInfo.setUrl(url); } @Override public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException { System.out.println(crawlInfo.getHttpCrawlResult()); } }
步驟二
package com.cdc.uncs.service.parts; import com.cdc.uncs.exception.UncsException; import com.cdc.uncs.model.HttpCrawlInfo; import com.cdc.uncs.model.TestRequest; import com.cdc.uncs.model.TestResponse; import com.cdc.uncs.service.NetCrawlPart; import com.cdc.uncs.service.TransContext; public class NetCrawlTestPart2 extends NetCrawlPart<TestRequest, TestResponse> { @Override public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException { String url = "http://www.hao123.com"; crawlInfo.setUrl(url); } @Override public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException { System.out.println(crawlInfo.getHttpCrawlResult()); } }
服務配置文件
uncsTestApplicationContext.xml
<?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.springframework.org/schema/beans http://www.springframework.org/schema/beans/spring-beans.xsd http://uncs.cdc.com/schema/uncs http://uncs.cdc.com/schema/uncs/springuncs.xsd" xmlns:uncs="http://uncs.cdc.com/schema/uncs" default-autowire="byName"> <uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="登陸"/> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="獲取"/> </uncs:list> </uncs:crawl> </beans>
demo樣例
// ----------------------系統啓動--------------------------- // 用戶自定義的服務配置文件 String xmlTest = "classpath*:uncsTestApplicationContext.xml"; // 啓動uncs的初始化參數 redis:ip、port socks5:ip、port 項目縮寫 http代理 獲取http代理超時時間 代理類型 InitParam param = new InitParam("127.0.0.1", 6379, "ss5.xx.com", 1080, "ct", "http://xxx", 3000, "no"); // 啓動uncs param:啓動參數 xmlTest...:服務配置文件,可以是多個 UncsLancher.startUp(param, xmlTest); // ----------------------調用服務-------------------------- // 定義上下文,貫穿整個服務 TransContext<TestRequest, TestResponse> transContext = TransContext.newInstance(TestRequest.class, TestResponse.class); // crawlId:單個爬取交易的唯一索引 String crawlId = Long.toString(System.currentTimeMillis()); // type:交易的類型,輔助參數,用戶自定義。例如爬取時可以把類型作爲type,可以貫穿整個交易 String type = "xxx"; transContext.setCrawlId(crawlId); transContext.setType(type); // 服務名稱,對應配置文件中uncs:crawl標籤的id String serverName = "testService"; // 開始執行交易 TestResponse response = UncsService.startService(serverName, transContext);
二:源碼url
svn地址:僅供公司內部使用
三:約定
crawlId必輸,貫穿整個服務
流程內的步驟實現類必須繼承相關父類
暫時必須使用redis爲框架提供支持,以後會開發不需要redis的單機版本
四:設計思想
基於流程化的爬蟲開發框架,參數動態可配置化,可擴展。能不讓用戶關心的,就不需要用戶去考慮,屏蔽一切可以屏蔽的細節.
五:配置詳解
5.1 crawl交易配置
uncs:crawl標籤
attr:
id:唯一服務名,例:testService
browser:瀏覽器類型,枚舉:Chrome51(chrome瀏覽器),IE9,IE8,FIREFOX,DEFAULT,默認是chrome瀏覽器,設置這個屬性,代碼就不需要設置http header的user-agent了
poolSize:服務運行時線程池大小即這個服務支持的併發大小,如果不設置,則使用公共的線程池
proxyType:代理類型,no-不使用代理 http:使用http代理 socks:socks5代理 default-http:默認的http代理 default-socks:默認的socks代理 (兩個默認的代理類型在初始化參數InitParam設置)
property:
uncs:list--流程列表,服務按順序執行配置的實現類列表,list內支持所有類型的part
uncs:finalPart--流程完成後,不管成功還是失敗,都會執行的步驟
uncs:proxyService--擴展的代理服務,用戶可以自定義bean,來編寫自己的代理服務,當uncs:crawl的attr-proxyType設置爲http或socks時,系統會加載這個標籤的代理服務,詳細參考“代理配置及使用”章節
5.2 part
所有模板步驟的父類,空模板,可以自由發揮
步驟:建立java類-->繼承com.cdc.uncs.service.Part-->重寫work方法-->配置文件
當這個步驟可能不需要執行時,重新isPassPart方法,返回true即跳過,所有子類模板都有這個步驟
對應配置文件標籤:uncs:part class--實現類 desc--步驟名稱,不填默認爲類名簡寫
5.3 netCrawlPart
網絡爬取步驟模板,用戶使用此模板就不用關心httpclient如何使用了
步驟:建立java類-->繼承com.cdc.uncs.service.NetCrawlPart-->重寫beforeCrawl和afterCrawl方法-->配置文件 beforeCrawl:爬取前組裝http請求參數
設置方法內參數HttpCrawlInfo crawlInfo,來改變請求內容
afterCrawl:爬取後解析返回結果 HttpCrawlInfo crawlInfo.getHttpCrawlResult和getHttpCrawlImgResult獲取返回結果
對應配置文件標籤,uncs:netCrawlPart,class--實現類 desc--步驟名稱,不填默認爲類名簡寫 示例:
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="網絡爬取測試步驟"/> </uncs:list> </uncs:crawl>
java
package xxx; import xxx; /** * 加載查詢 */ public class FlowQueryPart extends NetCrawlPart<FlowGetterRequest, FlowGetterResponse> { @Override public void beforeCrawl(TransContext<FlowGetterRequest, FlowGetterResponse> context, HttpCrawlInfo crawlInfo, String s, String s1) throws UncsException { String url = (String) context.getTempParamValue(ParamKey.XXX); String referer = (String) context.getTempParamValue(ParamKey.REFXXX); crawlInfo.addAccept("text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8"); crawlInfo.addAcceptEncoding("gzip, deflate, sdch"); crawlInfo.addAcceptLanguage("zh-CN,zh;q=0.8"); crawlInfo.addConnection("keep-alive"); crawlInfo.addHost("XXX.com"); crawlInfo.addParam("query", "true"); crawlInfo.addParam("q_from_date", (String) context.getTempParamValue(ParamKey.BEGIN_DATE)); crawlInfo.addParam("q_to_date", (String) context.getTempParamValue(ParamKey.END_DATE)); crawlInfo.setCharset(CoreConstant.CHARSET); crawlInfo.setMineType(MineType.HTML); crawlInfo.setMethod(HttpMethod.GET); crawlInfo.setUrl(url); crawlInfo.setReferer(referer); context.addTempParam(ParamKey.NEXT_REFERER, url); } @Override public void afterCrawl(TransContext<FlowGetterRequest, FlowGetterResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String bankCode) throws UncsException { String result = crawlInfo.getHttpCrawlResult(); if(Strings.isNullOrEmpty(result)) { throw new SystemUncsException("網頁加載錯誤", ErrorCode.XXX); } } }
5.4 loopPart
循環步驟模板,已經過時的模板,被complexLoopPart複雜循環步驟模板替換,不再維護,可以使用,可能存在一些BUG,只支持單步驟循環
5.5 switchPart
選擇步驟模板,類似java的switch,支持根據不同場景走不同分支步驟 場景舉例:某網站爬取時,需要根據歸屬地省份的不同走不同的分支爬取 配置樣例:
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no"> <uncs:list> <!-- choosePartClass必須繼承com.cdc.uncs.service.ChooseKeyPart --> <uncs:switchPart choosePartClass="com.cdc.uncs.service.parts.ChooseKeyTestPart" choosePartDesc="選擇key測試步驟"> <uncs:entity key="bj"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="北京"/> </uncs:list> </uncs:entity> <uncs:entity key="sh"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="上海"/> </uncs:list> </uncs:entity> </uncs:switchPart> </uncs:list> </uncs:crawl>
代碼樣例:
package xxxx; import xxxx; public class ChooseKeyTestPart extends ChooseKeyPart<TestRequest, TestResponse> { @Override public boolean isPassPart(TransContext<TestRequest, TestResponse> context) { // 不需要發送網絡請求在這實現 chooseKey("bj"); return true; } @Override public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException { // 需要發送網絡請求來判斷的才需要實現 } @Override public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException { } }
5.6 groupRetryPart
組重試步驟,可以實現整個步驟組重試,可設置最大重試次數,是否重試需要用戶根據實際場景調用重試方法。 場景舉例:識別圖片驗證碼成功率不是百分百,當失敗時需要重新識別,重新驗證 配置樣例:
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no"> <uncs:list> <!-- betweenMillis重試間隔時間(毫秒) maxRetryTimes最大重試次數 --> <uncs:groupRetryPart betweenMillis="10" maxRetryTimes="5"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="網絡爬取測試步驟"/> </uncs:list> </uncs:groupRetryPart> </uncs:list> </uncs:crawl>
注:重試次數超過最大重試次數時,需要由用戶自行判斷是否需要拋異常,默認不拋異常,流程正常執行 代碼樣例:
@Override public void afterCrawl(TransContext<FlowGetterRequest, FlowGetterResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String bankCode) throws UncsException { String result = crawlInfo.getHttpCrawlResult(); if(Strings.isNullOrEmpty(result)) { throw new SystemUncsException("網頁加載錯誤", ErrorCode.ERROR_3006); } // 校驗結果 try { CCBBaseUtil.validateResult(result, crawlId, bankCode, this.getName(), log); } catch (UncsException e) { String code = e.getCode(); if(ErrorCode.ERROR_0000.equals(code)) { // 驗證碼錯誤,重試 // 驗證重試次數 if(this.getGroupRetryCurrent(context) < this.getGroupRetryMax(context)) { // 重試 retry(); }else{ log.log(crawlId, this.getName(), bankCode, "圖片驗證碼超過最大重試次數"); throw new SystemUncsException("圖片驗證碼錯誤次數超限,請重試,並檢查", ErrorCode.ERROR_2002); } } else { throw e; } } }
5.7 complexLoopPart
複雜循環步驟模板,類似java的循環,即支持for循環也支持while循環,默認是for循環,支持任何模板套用。 新增支持循環橫向併發 場景舉例: for循環,爬取某網站數據時,按月份循環爬取爲第一層循環,每個月類型的分頁爲第二層循環 while循環,同for循環,區別在於銀行的分支只有下一頁,不知道總頁數 配置樣例:
<!-- loopType 循環類型 for/while 不填默認for preClass前置處理類,必須繼承com.cdc.uncs.service.LoopPrePart,一般用做查詢和設置最大循環次數,當然也可以在內部步驟內設置 isAsyn是否併發 asynThreadCount併發最大線程數 --> <uncs:complexLoopPart loopType="for" preClass="" preDesc="" isAsyn="false" asynThreadCount="5"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="複雜循環步驟"/> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="複雜循環步驟2"/> </uncs:list> </uncs:complexLoopPart>
代碼樣例:
@Override public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException { // 獲取當前循環次數 this.getComplexLoopCurrent(context); getCookieValue(crawlId, "BAIDUID"); String url = "http://www.baidu.com"; crawlInfo.setUrl(url); } @Override public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException { // 設置循環最大數次 this.setComplexLoopMax(context, 5); System.out.println(crawlInfo.getHttpCrawlResult()); }
注:循環內部支持套用任何模板,但是隻有循環內所屬步驟才能操作循環的屬性(最大頁數、當前頁數),循環內循環的步驟無法跨級操作。
5.8 finalPart
服務最終處理內容,無論成功失敗都會執行的步驟。 場景舉例:爬取某網站後,爲防止對登錄狀態進行判斷,需要在結束後退出登錄 配置樣例:
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no"> <uncs:list> <uncs:complexLoopPart loopType="for" preClass="" preDesc=""> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="複雜循環步驟"/> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="複雜循環步驟2"/> </uncs:list> </uncs:complexLoopPart> </uncs:list> <uncs:finalPart> <uncs:part class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="退出"/> </uncs:finalPart> </uncs:crawl>
六:斷點
uncs支持程序斷點,即支持臨時中斷正在運行的服務,滿足某種場景時,可以重新啓動服務,服務會從中斷的步驟繼續執行。 場景舉例:爬取某網站時,有時需要用戶輸入短信,此時需要人爲參與,程序必須中斷,等用戶輸入短信後纔可以繼續執行 代碼示例: 中斷代碼
@Override public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException { // 中斷一下 this.pauseNeedMsg(); System.out.println(crawlInfo.getHttpCrawlResult()); }
重新啓動服務
// 重新啓動服務 String msgCode = "123456"; TestResponse response1 = UncsService.restartService(crawlId, msgCode, null, TestResponse.class);
七:代理配置及使用
uncs支持http代理和socks5代理,支持用戶自定義代理獲取方式,也支持使用系統提供的代理方式,強擴展性。 代理配置方式一:
<!-- 默認的http代理 --> <uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="default-http"> <!-- 默認的socks代理 --> <uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="default-socks"> <!-- 系統啓動時,設置默認的兩種代理方式及全局代理方式 InitParam param = new InitParam("127.0.0.1", 6379, "ss5.xxx", 1080, "ct", "http://xxxx", 3000, "no");-->
代理配置方式二:
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="http"> <uncs:list> <uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="步驟"/> </uncs:list> <!-- 實現類必須繼承對應的類 com.cdc.uncs.http.IHttpProxy或com.cdc.uncs.http.ISocksProxy --> <uncs:proxyService class="com.cdc.uncs.http.impl.TestHttpProxy"> <uncs:property name="ip" value="127.0.0.1"/> <uncs:property name="testxxxxx" value=""/> </uncs:proxyService> </uncs:crawl> package com.cdc.uncs.http.impl; import com.cdc.uncs.http.IHttpProxy; import com.cdc.uncs.http.ISocksProxy; import com.cdc.uncs.util.HttpGreenHelper; import org.apache.http.HttpHost; import java.util.HashMap; import java.util.Map; /** * 默認http代理 */ public class TestHttpProxy extends IHttpProxy { private String ip; private Object testxxxxx; public TestHttpProxy() { } /** * 獲取crawlId * * @param cid 唯一標識 * @param type 類型 * @param logServerName 日誌標識 * @return */ @Override public HttpHost getProxy(String cid, String type, String logServerName) { return new HttpHost(ip, 8888); } public String getIp() { return ip; } public void setIp(String ip) { this.ip = ip; } public Object getTestxxxxx() { return testxxxxx; } public void setTestxxxxx(Object testxxxxx) { this.testxxxxx = testxxxxx; } } 代理配置方式三:可以在某個步驟單獨使用代理,參考《五-5.2 netCrawlPart》
八:日誌配置及使用
uncs使用固定日誌名,分爲標準日誌和uncs日誌,標準日誌是日誌搜索系統要求的格式輸出,可以忽略,uncs日誌表示業務日誌 logback:
<property name="log.base" value="D:/log/uncslog" /> <appender name="uncslog" class="ch.qos.logback.core.rolling.RollingFileAppender"> <fileNamePattern>${log.base}/uncs%d{yyyy-MM-dd}.log</fileNamePattern> <rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy"> <FileNamePattern> ${log.base}/uncs.log.%d{yyyy-MM-dd}.log </FileNamePattern> </rollingPolicy> <layout class="ch.qos.logback.classic.PatternLayout"> <pattern>[%level] %date [%thread] - %msg%n</pattern> </layout> </appender> <appender name="standardlog" class="ch.qos.logback.core.rolling.RollingFileAppender"> <fileNamePattern>${log.base}/flow_standard%d{yyyy-MM-dd}.log</fileNamePattern> <rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy"> <FileNamePattern> ${log.base}/flow_standard%d{yyyy-MM-dd}.log </FileNamePattern> </rollingPolicy> <layout class="ch.qos.logback.classic.PatternLayout"> <pattern>%date{"yyyy-MM-dd,HH:mm:ss,SSS"}||%msg%n</pattern> </layout> </appender> <!-- 標準日誌 --> <logger name="standard" additivity="false"> <level value="DEBUG" /> <appender-ref ref="standardlog" /> </logger> <logger name="com.cdc.uncs" additivity="false"> <level value="DEBUG" /> <appender-ref ref="uncslog" /> </logger>
九:異步化
提供異步化服務
// 異步啓動服務 UncsService.ayncStartService // 獲取當前服務狀態 UncsService.getResponse
十:版本升級歷史
詳見《uncs提交歷史.md》 當前最新版本3.0.0.6
十一:未來猜想
優化代碼質量,完善http初始化部分代碼(優化完畢)及cookie處理部分代碼(完成)
讓part持有context,這樣部分方法不再需要context參數(完成)
提供快速生成代碼工具
提供可視化工具,隨時查看某個crawlId對應的狀態
集成各大優秀的爬蟲框架,形成對應模板
提供單機模式,可以選擇不使用redis,本地存儲
提供併發步驟模板,用於提高速度(完成)
十二:fiddler使用說明
1、升級版本到2.3.0.1-SNAPSHOT以上
2、vm參數-Duncs.useFidder=1
3、fiddler配置 tools->fiddler options->https->actions->export root certificate to ...
4、inkeytool.exe -import -file C:Users<Username>DesktopFiddlerRoot.cer -keystore FiddlerKeystore -alias Fiddler
作者:劉鵬飛 宜信技術學院官網:http://college.creditease.cn/#/index