隨著BIG DATA大數(shù)據(jù)概念逐步升溫，如何搭建1個(gè)能夠收集海量數(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止式收集、如何快速把不規(guī)則頁面結(jié)構(gòu)化并存儲、如何滿足愈來愈多的數(shù)據(jù)收集還要在有限時(shí)間內(nèi)收集。這篇文章結(jié)合我們本身項(xiàng)目經(jīng)驗(yàn)談1下。

我們來看1下作為人是怎樣獲得網(wǎng)頁數(shù)據(jù)的呢？

1、打開閱讀器，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、存儲到文本文件或excel。

從技術(shù)角度來講全部進(jìn)程主要為 網(wǎng)絡(luò)訪問、扣取結(jié)構(gòu)化數(shù)據(jù)、存儲。我們看1下用java程序如何來實(shí)現(xiàn)這1進(jìn)程。

通過這個(gè)例子，我們看到通過httpclient獲得數(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。大家是否是感覺做1個(gè)爬蟲也還是蠻簡單呢。這是1個(gè)基本的入門例子，我們再詳細(xì)介紹怎樣1步1步構(gòu)建1個(gè)散布式的適用于海量數(shù)據(jù)收集的爬蟲框架。

全部框架應(yīng)當(dāng)包括以下部份，資源管理、反監(jiān)控管理、抓取管理、監(jiān)控管理。看1下全部框架的架構(gòu)圖：

• 資源管理指網(wǎng)站分類體系、網(wǎng)站、網(wǎng)站訪問url等基本資源的管理保護(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)制止爬蟲訪問，怎樣讓他們不能監(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；

• 1個(gè)好的收集框架，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)當(dāng)能收集到。所見即所得的無阻止式收集，不管是不是需要登錄的數(shù)據(jù)都能夠順利收集?，F(xiàn)在大部份社交網(wǎng)站都需要登錄，為了應(yīng)對登錄的網(wǎng)站要有摹擬用戶登錄的爬蟲系統(tǒng)，才能正常獲得數(shù)據(jù)。不過社會(huì)化網(wǎng)站都希望自己構(gòu)成1個(gè)閉環(huán)，不愿意把數(shù)據(jù)放到站外，這類系統(tǒng)也不會(huì)像新聞等內(nèi)容那末開放的讓人獲得。這些社會(huì)化網(wǎng)站大部份會(huì)采取1些限制避免機(jī)器人爬蟲系統(tǒng)爬取數(shù)據(jù)，1般1個(gè)賬號爬取不了多久就會(huì)被檢測出來被制止訪問了。那是否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。說到底就是摹擬人的正常行動(dòng)操作，專業(yè)1點(diǎn)叫“反監(jiān)控”。

  那1般網(wǎng)站會(huì)有甚么限制呢？

  1定時(shí)間內(nèi)單IP訪問次數(shù)，沒有哪一個(gè)人會(huì)在1段延續(xù)時(shí)間內(nèi)過快訪問，除非是隨便的點(diǎn)著玩，延續(xù)時(shí)間也不會(huì)太長?？梢圆扇〈罅坎灰?guī)則代理IP來摹擬。

  1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?？梢圆扇〈罅啃袆?dòng)正常的賬號，行動(dòng)正常就是普通人怎樣在社交網(wǎng)站上操作，如果1個(gè)人1天24小時(shí)都在訪問1個(gè)數(shù)據(jù)接口那就有多是機(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。固然對方網(wǎng)站也會(huì)有運(yùn)維會(huì)調(diào)劑策略，說到底這是1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)劑，通知管理員及時(shí)處理。未來比較理想應(yīng)當(dāng)是通過機(jī)器學(xué)習(xí)算法自動(dòng)完成策略調(diào)劑，保證抓取不中斷。

• 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；我們現(xiàn)在大部份爬蟲系統(tǒng)，很多都需要自己設(shè)定正則表達(dá)式，或使用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1個(gè)網(wǎng)站就去開發(fā)1個(gè)類，在范圍小的時(shí)候還可以接受，如果需要抓取的網(wǎng)站不計(jì)其數(shù)，那我們不是要開發(fā)成百上千的類。為此我們開發(fā)了1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)用存儲規(guī)則存儲數(shù)據(jù)，不管甚么類型最后都調(diào)用同1個(gè)類來處理。對我們用戶只需要設(shè)置抓取規(guī)則，相應(yīng)的后續(xù)處理就交給抓取平臺了。

• 全部抓取使用了 xpath、正則表達(dá)式、消息中間件、多線程調(diào)度框架（參考）。xpath 是1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)獲得，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的工夫，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1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1個(gè)抓取指令，抓取平臺抓完了會(huì)返回1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，全部抓取完成。多線程調(diào)度框架之條件到過，我們的抓取平臺不可能在同1時(shí)刻只抓1個(gè)消息的任務(wù)；也不可能無窮制抓取，這樣資源會(huì)耗盡，致使惡性循環(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。

  不管怎樣摹擬總還是會(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1段時(shí)間需要輸入驗(yàn)證碼，如果不處理后續(xù)永久返回不了正確數(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1些可以破解驗(yàn)證碼辨認(rèn)算法實(shí)現(xiàn)自動(dòng)輸入驗(yàn)證碼的目的。

  擴(kuò)大1下 ：所見即所得我們是否是真的做到？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1堆js。 可使用mozilla、webkit等可以解析閱讀器的工具包解析js、ajax，不過速度會(huì)有點(diǎn)慢。
  2、網(wǎng)頁里有1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。 如果是圖片中文字辨認(rèn)，這個(gè)比較好處理，能夠使用ocr辨認(rèn)文字就行，如果是flash目前只能存儲全部url。
  4、1個(gè)網(wǎng)頁有多個(gè)網(wǎng)頁結(jié)構(gòu)。如果只有1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不完全，不完全就不能依照正常模式去扣取。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1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1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)本錢。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)則減少人力本錢，或幫助不懂技術(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1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（固然這個(gè)也能夠機(jī)器預(yù)先判斷，他們來選擇，這1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”辨認(rèn)這1分類的字段規(guī)則，但是這個(gè)是機(jī)器辨認(rèn)的規(guī)則，可能不準(zhǔn)確，機(jī)器辨認(rèn)完后，還需要人在判斷1下。判斷完成后，最后構(gòu)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1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)控管理指不管甚么系統(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1時(shí)間知道，這時(shí)候監(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，并且可以通過后臺調(diào)劑資源分配并能動(dòng)態(tài)更新保證抓取不斷電。不過如果1個(gè)任務(wù)的處理特別大，可能需要抓取24個(gè)小時(shí)或幾天。比如我們要抓取1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。不能不提的就是把大型的抓取任務(wù)hadoop化，空話不說直接上圖：