[開源 .NET 跨平台 Crawler 數據采集爬蟲框架: DotnetSpider] [一] 初衷與架構設計

本文轉載自查看原文 2016-05-11 17:32 22025 dotnet core/ 爬蟲/ 跨平台/ DotnetSpider/ .NET/ 開源/ 框架/ 數據采集

[DotnetSpider 系列目錄]

為什么要造輪子

同學們可以去各大招聘網站查看一下爬蟲工程師的要求，大多是招JAVA、PYTHON，甚至於還有NODEJS，C++；再或者去開源中國查詢C#的爬蟲項目，僅有幾個非常簡單或是幾年沒有更新的項目。

而單純性能上.NET對比JAVA，PYTHON並沒有處於弱勢，反而有開發上的優勢（得益於世界上最強大的IDE)。爬蟲性能瓶頸大多是在並發下載（網速）、IP池，那么為什么.NET沒有一個強大的爬蟲框架呢？說真的我不知道，可能爬蟲框架核心上比較簡單，也可能.NET的開發人員沒有別的語言的開發人員勤奮，或是.NET的開源氛圍沒有別的語言高。直到.NET要出開源版的消息傳來，我覺得是時候開發一個跨平台，跨語言的爬蟲框架了。但一開始是比較忐忑的，覺得自己水平不夠去完全重新設計一個新的框架出來，因此參考了JAVA的一個輕量級爬蟲框架webmagic，並加入了我自己的理解和改進。如果設計或寫得不好請大家指正海涵

框架設計

由於我是參考的webmagic，所以整體架構上沒有什么大的變化，設計圖如下(圖片是直接從webmagic上拿的)

Scheduler：負責URL的調度、去重，可以實現如Queue, PriorityQueueScheduler, RedisScheduler(可用於分布式)等等
Downloader: 負責下載HTML，可以實現如HttpDownloader, 瀏覽器的Downloader(WebDriver), FiddlerDownloader，本地文件Downloader等等
PageProcesser: 負責HTML解析、目標URL的選擇
Pipeline: 負責數據的存儲, 已實現文件存儲, MySql存儲, MySqlFile存儲(腳本)，MSSQL存儲，MongoDb存儲, 更多存儲期待您的貢獻

優點

可以使用Json定義爬蟲
可以使用實體類+Attrbiute定義爬蟲
自動創建數據庫、數據表
支持 .NET CORE，可以跨平台
支持ADSL撥號換IP：如果所有爬蟲統一部署, 可以實現單台機器同時運行多個任務撥號互不影響、或者一個路由下面多個電腦下多個任務撥號互不影響
支持自定義代理池
有管理平台

基本使用

基本使用只需要引用DotnetSpider2.Core(Nuget中獲取)

DotnetSpider實現一個完整爬蟲是需要4個模塊的：Scheduler、Downloader、PageProcessor、Pipeline。由於Downloader和Scheduler都是有基本實現的，因此只需要實現PageProcessor和Pipeline就可以實現一個基本爬蟲了，這種方式也是最自由的方式。

完全自定義的例子如下：

        public static void Main(string[] args)
        {
            // Custmize processor and pipeline 完全自定義頁面解析和數據管道
            CustmizeProcessorAndPipeline();
            Console.WriteLine("Press any key to continue...");
            Console.Read();
         }

        public static void CustmizeProcessorAndPipeline()
        {
            // Config encoding, header, cookie, proxy etc... 定義采集的 Site 對象, 設置 Header、Cookie、代理等
            var site = new Site { EncodingName = "UTF-8", RemoveOutboundLinks = true };
            for (int i = 1; i < 5; ++i)
            {
                // Add start/feed urls. 添加初始采集鏈接
                site.AddStartUrl($"http://list.youku.com/category/show/c_96_s_1_d_1_p_{i}.html");
            }
            Spider spider = Spider.Create(site,
                // use memoery queue scheduler. 使用內存調度
                new QueueDuplicateRemovedScheduler(),
                // use custmize processor for youku 為優酷自定義的 Processor
                new YoukuPageProcessor())
                // use custmize pipeline for youku 為優酷自定義的 Pipeline
                .AddPipeline(new YoukuPipeline());
            spider.Downloader = new HttpClientDownloader();
            spider.ThreadNum = 1;
            spider.EmptySleepTime = 3000;

            // Start crawler 啟動爬蟲
            spider.Run();

        }

        public class YoukuPipeline : BasePipeline
        {
            private static long count = 0;

            public override void Process(params ResultItems[] resultItems)
            {
                foreach (var resultItem in resultItems)
                {
                    StringBuilder builder = new StringBuilder();
                    foreach (YoukuVideo entry in resultItem.Results["VideoResult"])
                    {
                        count++;
                        builder.Append($" [YoukuVideo {count}] {entry.Name}");
                    }
                    Console.WriteLine(builder);
                }

                // Other actions like save data to DB. 可以自由實現插入數據庫或保存到文件
            }
        }

        public class YoukuPageProcessor : BasePageProcessor
        {
            protected override void Handle(Page page)
            {
                // 利用 Selectable 查詢並構造自己想要的數據對象
                var totalVideoElements = page.Selectable.SelectList(Selectors.XPath("//div[@class='yk-pack pack-film']")).Nodes();
                List<YoukuVideo> results = new List<YoukuVideo>();
                foreach (var videoElement in totalVideoElements)
                {
                    var video = new YoukuVideo();
                    video.Name = videoElement.Select(Selectors.XPath(".//img[@class='quic']/@alt")).GetValue();
                    results.Add(video);
                }

                // Save data object by key. 以自定義KEY存入page對象中供Pipeline調用
                page.AddResultItem("VideoResult", results);

                // Add target requests to scheduler. 解析需要采集的URL
                //foreach (var url in page.Selectable.SelectList(Selectors.XPath("//ul[@class='yk-pages']")).Links().Nodes())
                //{
                //    page.AddTargetRequest(new Request(url.GetValue(), null));
                //}
            }
        }

        public class YoukuVideo
        {
            public string Name { get; set; }
        }

配置式爬蟲

配置式爬蟲需要額外引用DotnetSpider2.Extension(Nuget中獲取)

大部分情況下只需要配置式來實現一個采集任務。相對於基本使用方式，配置式爬式只需要短短的幾行代碼就可以實現一個爬蟲。但凡事有利就有弊，配置式爬的自由度相對低了一些。

使用配置式爬蟲的步驟如下：

定義數據實體類，通過添加Attribute來定義數據的存儲規則、數據從頁面的解析規則
定義爬蟲任務的定義，繼承EntitySpider
在Main方法中實例化定義好的爬蟲任務，並調用Run方法

完整代碼如下, 感受一下就好，后面章節會詳細介紹如何實現:

    public class JdSkuSampleSpider : EntitySpider
    {
        public JdSkuSampleSpider() : base("JdSkuSample", new Site
        {
            //HttpProxyPool = new HttpProxyPool(new KuaidailiProxySupplier("快代理API"))
        })
        {
        }

        protected override void MyInit(params string[] arguments)
        {
            Identity = Identity ?? "JD SKU SAMPLE";

            ThreadNum = 1;
            // dowload html by http client
            Downloader = new HttpClientDownloader();

            // storage data to mysql, default is mysql entity pipeline, so you can comment this line. Don't miss sslmode.
            AddPipeline(new MySqlEntityPipeline("Database='mysql';Data Source=localhost;User ID=root;Password=;Port=3306;SslMode=None;"));
            AddStartUrl("http://list.jd.com/list.html?cat=9987,653,655&page=2&JL=6_0_0&ms=5#J_main", new Dictionary<string, object> { { "name", "手機" }, { "cat3", "655" } });
            AddEntityType<Product>();
        }

        [EntityTable("test", "jd_sku", EntityTable.Monday, Indexs = new[] { "Category" }, Uniques = new[] { "Category,Sku", "Sku" })]
        [EntitySelector(Expression = "//li[@class='gl-item']/div[contains(@class,'j-sku-item')]")]
        [TargetUrlsSelector(XPaths = new[] { "//span[@class=\"p-num\"]" }, Patterns = new[] { @"&page=[0-9]+&" })]
        public class Product : SpiderEntity
        {
            [PropertyDefine(Expression = "./@data-sku", Length = 100)]
            public string Sku { get; set; }

            [PropertyDefine(Expression = "name", Type = SelectorType.Enviroment, Length = 100)]
            public string Category { get; set; }

            [PropertyDefine(Expression = "cat3", Type = SelectorType.Enviroment)]
            public int CategoryId { get; set; }

            [PropertyDefine(Expression = "./div[1]/a/@href")]
            public string Url { get; set; }

            [PropertyDefine(Expression = "./div[5]/strong/a")]
            public long CommentsCount { get; set; }

            [PropertyDefine(Expression = ".//div[@class='p-shop']/@data-shop_name", Length = 100)]
            public string ShopName { get; set; }

            [PropertyDefine(Expression = ".//div[@class='p-name']/a/em", Length = 100)]
            public string Name { get; set; }

            [PropertyDefine(Expression = "./@venderid", Length = 100)]
            public string VenderId { get; set; }

            [PropertyDefine(Expression = "./@jdzy_shop_id", Length = 100)]
            public string JdzyShopId { get; set; }

            [PropertyDefine(Expression = "Monday", Type = SelectorType.Enviroment)]
            public DateTime RunId { get; set; }
        }
    }

public class Program
{
    public static void Main(string[] args)
    {
        JdSkuSampleSpider spider = new JdSkuSampleSpider();
        spider.Run();
    }
}

代碼地址

https://github.com/zlzforever/DotnetSpider 望各位大佬加星 :)

參與開發或有疑問

博文寫得比較早, 框架修改有時會來不及更新博文中的代碼, 請查看DotnetSpider.Sample項目中的樣例爬蟲

QQ群: 477731655

郵箱: zlzforever@163.com

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。