[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
- 數據對象是通過Json結構來解析的：可以實現類中屬性是類的情況(較少此種情況, 而且數據Pipeline僅限MongoDB時才能存儲此種類型數據）
- 支持Json文件定義爬蟲：最終實現跨語言調用
- 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
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
BaseUsage.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://" + $"www.youku.com/v_olist/c_97_g__a__sg__mt__lg__q__s_1_r_0_u_0_pt_0_av_0_ag_0_sg__pr__h__d_1_p_{i}.html");
}
Spider spider = Spider.Create(site,
// use memoery queue scheduler. 使用內存調度
new QueueDuplicateRemovedScheduler(),
// use custmize processor for youku 為優酷自定義的 Processor
new YoukuPageProcessor())
// use custmize pipeline for youku 為優酷自定義的 Pipeline
.AddPipeline(new YoukuPipeline())
// dowload html by http client
.SetDownloader(new HttpClientDownloader())
// 1 thread
.SetThreadNum(1);
spider.EmptySleepTime = 3000;
// Start crawler 啟動爬蟲
spider.Run();
}
public class YoukuPipeline : BasePipeline
{
private static long count = 0;
public override void Process(ResultItems resultItems)
{
foreach (YoukuVideo entry in resultItems.Results["VideoResult"])
{
count++;
Console.WriteLine($"[YoukuVideo {count}] {entry.Name}");
}
// 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EntitySpiderBuilder
- 在Maink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 : EntitySpiderBuilder
{
protected override EntitySpider GetEntitySpider()
{
EntitySpider context = new EntitySpider(new Site
{
//HttpProxyPool = new HttpProxyPool(new KuaidailiProxySupplier("快代理API"))
});
context.SetThreadNum(1);
context.SetIdentity("JD_sku_store_test_" + DateTime.Now.ToString("yyyy_MM_dd_hhmmss"));
// dowload html by http client
context.SetDownloader(new HttpClientDownloader());
// save data to mysql.
context.AddEntityPipeline(new MySqlEntityPipeline("Database='test';Data Source=localhost;User ID=root;Password=1qazZAQ!;Port=3306"));
context.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" } });
context.AddEntityType(typeof(Product));
return context;
}
[Schema("test", "sku", TableSuffix.Today)]
[EntitySelector(Expression = "//li[@class='gl-item']/div[contains(@class,'j-sku-item')]")]
[Indexes(Index = new[] { "category" }, Unique = new[] { "category,sku", "sku" })]
[TargetUrlsSelector(XPaths = new[] { "//span[@class=\"p-num\"]" }, Patterns = new[] { @"&page=[0-9]+&" })]
public class Product : ISpiderEntity
{
[StoredAs("sku", DataType.String, 25)]
[PropertySelector(Expression = "./@data-sku")]
public string Sku { get; set; }
[StoredAs("category", DataType.String, 20)]
[PropertySelector(Expression = "name", Type = SelectorType.Enviroment)]
public string CategoryName { get; set; }
[StoredAs("cat3", DataType.String, 20)]
[PropertySelector(Expression = "cat3", Type = SelectorType.Enviroment)]
public int CategoryId { get; set; }
[StoredAs("url", DataType.Text)]
[PropertySelector(Expression = "./div[1]/a/@href")]
public string Url { get; set; }
[StoredAs("commentscount", DataType.String, 32)]
[PropertySelector(Expression = "./div[5]/strong/a")]
public long CommentsCount { get; set; }
[StoredAs("shopname", DataType.String, 100)]
[PropertySelector(Expression = ".//div[@class='p-shop']/@data-shop_name")]
public string ShopName { get; set; }
[StoredAs("name", DataType.String, 50)]
[PropertySelector(Expression = ".//div[@class='p-name']/a/em")]
public string Name { get; set; }
[StoredAs("venderid", DataType.String, 25)]
[PropertySelector(Expression = "./@venderid")]
public string VenderId { get; set; }
[StoredAs("jdzy_shop_id", DataType.String, 25)]
[PropertySelector(Expression = "./@jdzy_shop_id")]
public string JdzyShopId { get; set; }
[StoredAs("run_id", DataType.Date)]
[PropertySelector(Expression = "Monday", Type = SelectorType.Enviroment)]
public DateTime RunId { get; set; }
[PropertySelector(Expression = "Now", Type = SelectorType.Enviroment)]
[StoredAs("cdate", DataType.Time)]
public DateTime CDate { get; set; }
}
}
public class Program
{
public static void Main(string[] args)
{
JdSkuSampleSpider spiderBuilder = new JdSkuSampleSpider();
spiderBuilder.Run();
}
}
代碼地址
https://github.com/zlzforever/DotnetSpider 望各位大佬加星 :)
發現一個更簡單可以幫助小白做數據采集的工具
參與開發或有疑問
QQ群: 477731655