OStack程序员社区-中国程序员成长平台 › 门户 › 开源› WEB应用开发›Web爬虫

neocrawler: 牛咖-neocrawler nodejs 的爬虫系统。特点：支持web界面方式的摘取规则 ...

原作者: [db:作者] 来自: 网络收藏邀请

开源软件名称：

neocrawler

开源软件地址：

https://gitee.com/dreamidea/neocrawler

开源软件介绍：

一、概述

NEOCrawler(中文名：牛咖)，是nodejs、redis、phantomjs实现的爬虫系统。代码完全开源，适合用于垂直领域的数据采集和爬虫二次开发。

【主要特点】

使用nodejs实现，javascipt简单、高效、易学、为爬虫的开发以及爬虫使用者的二次开发节约不少时间；nodejs使用Google V8作为运行引擎，性能可观；由于nodejs语言本身非阻塞、异步的特性，运行爬虫这类IO密集CPU需求不敏感的系统表现很出色，与其他语言的版本简单的比较，开发量小于C/C++/JAVA，性能高于JAVA的多线程实现以及Python的异步和携程方式的实现。
调度中心负责网址的调度，爬虫进程分布式运行，即中央调度器统一决策单个时间片内抓取哪些网址，并协调各爬虫工作，爬虫单点故障不影响整体系统。
爬虫在抓取时就对网页进行了结构化解析，摘取到需要的数据字段，入库时不仅是网页源代码还有结构化了的各字段数据，不仅使得网页抓取后数据立马可用，而且便于实现入库时的精准化的内容排重。
集成了phantomjs。phantomjs是无需图形界面环境的网页浏览器实现，利用它可以抓取需要js执行才产生内容的网页。通过js语句执行页面上的用户动作，实现表单填充提交后再抓取下一页内容、点击按钮后页面跳转再抓取下一页内容等。
重试及容错机制。http请求有各种意外情况，都有重试机制，失败后有详细记录便于人工排查。都返回的页面内容有校验机制，能检测到空白页，不完整页面或者是被代理服务器劫持的页面；
可以预设cookie，解决需要登录后才能抓取到内容的问题。
限制并发数，避免因为连接数过多被源网站屏蔽IP的问题。
集成了代理IP使用的功能，此项功能针对反抓取的网站（限单IP下访问数、流量、智能判断爬虫的），需要提供可用的代理IP，爬虫会自主选择针对源网站还可以访问的代理IP地址来访问，源网站无法屏蔽抓取。
产品化功能，爬虫系统的基础部分和具体业务实现部分架构上分离，业务实现部分不需要编码，可以用配置来完成。
Web界面的抓取规则设置，热刷新到分布式爬虫。在Web界面配置抓取规则，保存后会自动将新规则刷新给运行在不同机器上的爬虫进程，规则调整不需要编码、不需要重启程序。

可配置项：

1). 用正则表达式来描述，类似的网页归为一类，使用相同的规则。一个爬虫系统（下面几条指的都是某类网址可配置项）；

2). 起始地址、抓取方式、存储位置、页面处理方式等；

3). 需要收集的链接规则，用CSS选择符限定爬虫只收集出现在页面中某个位置的链接；

3). 页面摘取规则，可以用CSS选择符、正则表达式来定位每个字段内容要抽取的位置；

4). 预定义要在页面打开后注入执行的js语句;

5). 网页预设的cookie;

6). 评判该类网页返回是否正常的规则，通常是指定一些网页返回正常后页面必然存在的关键词让爬虫检测；

7). 评判数据摘取是否完整的规则，摘取字段中选取几个非常必要的字段作为摘取是否完整的评判标准；

8). 该类网页的调度权重（优先级）、周期（多久后重新抓取更新）。

为了减少冗余开发，根据抓取需求划分为实例，每个实例的基础配置（存储数据库、爬虫运行参数、定制化代码）都可以不同，即抓取应用配置的层次为：爬虫系统->实例->网址。
爬虫系统结构上参考了scrapy，由core、spider、downloader、extractor、pipeline组成，core是各个组件的联合点和事件控制中心，spider负责队列的进出，downloader负责页面的下载，根据配置规则选择使用普通的html源码下载或者下载后用phantomjs浏览器环境渲染执行js/css，extractor根据摘取规则对文档进行结构化数据摘取，pipeline负责将数据持久化或者输出给后续的数据处理系统。这些组件都提供定制化接口，如果通过配置不能满足需求，可以用js代码很容易个性化扩展某个组件的功能。

【架构】

提示：建议刚接触本系统的用户跳过架构介绍环节直接进入第二部分，先将系统运行起来，有一个感性认识后再来查阅架构的环节，如果您需要做深入的二次开发，请仔细阅读本环节资料

整体架构

neocrawler-architecture

图中黄色部分为爬虫系统的各个子系统。

SuperScheduler是中央调度器，Spider爬虫将收集到的网址放入到各类网址所对对应的网址库中，SuperScheduler会依据调度规则从各类网址库抽取相应量的网址放入待抓取队列。
Spider是分布式运行的爬虫程序，从调度器调度好的待抓取队列中取出任务进行抓取，将发现的网址放入网址库，摘取的内容存库，将爬虫程序分为core一个核心和download、extract、pipeline 4个中间件，是为了在爬虫实例中能够比较容易的重新定制其中某块功能。
ProxyRouter是在使用代理IP的时候将爬虫请求智能路由给可用代理IP的。
Webconfig是web的爬虫规则配置后台。

二、运行步骤

##【运行环境准备】

安装好nodejs 环境，从git仓库clone源码到本地，在文件夹位置打开命令提示符，运行“npm install”安装依赖的模块；
redis server安装（同时支持redis和ssdb，从节约内存的角度考虑，可以使用ssdb，在setting.json可以指定类型，下面会提到）。
hbase环境，抓取到网页、摘取到的数据将存储到hbase，hbase安装完毕后要将http rest服务开启，后面的配置中会用到，如果要使用其他的数据库存储，可以不安装hbase，下面的章节中将会讲到如何关闭hbase功能以及定制化自己的存储。hbase shell中初始化hbase 列簇:

create 'crawled',{NAME => 'basic', VERSIONS => 3},{NAME=>"data",VERSIONS=>3},{NAME => 'extra', VERSIONS => 3}create 'crawled_bin',{NAME => 'basic', VERSIONS => 3},{NAME=>"binary",VERSIONS=>3}

推荐使用hbase rest方式, 当你启动hbase后, 在hbase目录的bin子目录下执行以下命令可以启动hbase rest:

./hbase-daemon.sh start rest

默认端口为8080, 下面配置中会用到.

##【实例配置】

实例在instance目录下，拷贝一份example，重命名其他的实例名，例如：abc，以下说明中均使用该实例名举例。
编辑instance/abc/setting.json

{    /*注意：此处用于解释各项配置，真正的setting.json中不能包含注释*/    "driller_info_redis_db":["127.0.0.1",6379,0],/*网址规则配置信息存储位置，最后一个数字表示redis的第几个数据库*/    "url_info_redis_db":["127.0.0.1",6379,1],/*网址信息存储位置*/    "url_report_redis_db":["127.0.0.1",6380,2],/*抓取错误信息存储位置*/    "proxy_info_redis_db":["127.0.0.1",6379,3],/*http代理网址存储位置*/    "use_proxy":false,/*是否使用代理服务*/    "proxy_router":"127.0.0.1:2013",/*使用代理服务的情况下，代理服务的路由中心地址*/    "download_timeout":60,/*下载超时时间，秒，不等同于相应超时*/    "save_content_to_hbase":false,/*是否将抓取信息存储到hbase，目前只在0.94下测试过*/    "crawled_hbase_conf":["localhost",8080],/*hbase rest的配置,你可以使用tcp方式连接,配置为{"zookeeperHosts": ["localhost:2181"],"zookeeperRoot": "/hbase"},此模式下有OOM Bug,不建议使用*/    "crawled_hbase_table":"crawled",/*抓取的数据保存在hbase的表*/    "crawled_hbase_bin_table":"crawled_bin",/*抓取的二进制数据保存在hbase的表*/    "statistic_mysql_db":["127.0.0.1",3306,"crawling","crawler","123"],/*用来存储抓取日志分析结果，需要结合flume来实现，一般不使用此项*/    "check_driller_rules_interval":120,/*多久检测一次网址规则的变化以便热刷新到运行中的爬虫*/    "spider_concurrency":5,/*爬虫的抓取页面并发请求数*/    "spider_request_delay":0,/*两个并发请求之间的间隔时间，秒*/    "schedule_interval":60,/*调度器两次调度的间隔时间*/    "schedule_quantity_limitation":200,/*调度器给爬虫的最大网址待抓取数量*/    "download_retry":3,/*错误重试次数*/    "log_level":"DEBUG",/*日志级别*/    "use_ssdb":false,/*是否使用ssdb*/    "to_much_fail_exit":false,/*错误太多的时候是否自动终止爬虫*/    "keep_link_relation":false/*链接库里是否存储链接间关系*/}

##【运行】

爬虫运行的基本步骤是: *

在WEB界面配置抓取规则
调试单个网址抓取是否正常
运行调度器(调度器启动一个即可)
如果使用代理IP抓取的话启动代理路由
启动爬虫(爬虫可以分布式启动多个)

以下是具体的启动命令

运行WEB配置(配置规则参考下一章说明)
node run.js -i abc -a config -p 8888
在浏览器打开 http://localhost:8888 可以在web界面配置抓取规则
测试单个页面抓取
node run.js -i abc -a test -l "http://domain/page/"
运行调度器
node run.js -i abc -a schedule
-i指定了实例名，-a指定了动作schedule，下同
运行代理路由仅使用了代理IP抓取的情况下才需要运行代理路由
node run.js -i abc -a proxy -p 2013
此处的-p指定代理路由的端口，如果在本机运行，setting.json的proxy_router及端口为 127.0.0.1:2013
运行爬虫
node run.js -i abc -a crawl

可以在instance/example/logs 下查看输出日志debug-result.json

在正式运行的环境下建议使用nodejs 的 pm2或者python的supervisor来托管进程.

##【抓取规则配置】打开web界面,例如：http://localhost:8888/ , 进入“Drilling Rules”，添加规则。这是一个json编辑器，可以在代码模式/可视化模式之间切换。下面给出配置项的说明.具体的应用配置可以参考下一章节的示例.

{  /*注意：此处用于解释各项配置，真正的配置代码中不能包含注释*/  "domain": "",/*顶级域名，例如163.com(不带主机名，www.163.com是错误的)*/  "url_pattern": "",/*网址规则，正则表达式，例如：^http://domain/\d+\.html，限定范围越精确越好*/  "alias": "",/*给该规则取的别名*/  "id_parameter": [],/*该网址可以带的有效参数，如果数组第一个值为#，表示过滤一切参数*/  "encoding": "auto",/*页面编码，auto表示自动检测，可以填写具体值：gbk,utf-8*/  "type": "node",/*页面类型，分支branch或者节点node*/  "save_page": true,/*是否保存html源代码*/  "format": "html",/*页面形式，html/json/binary*/  "jshandle": false,/*是否需要处理js，决定了爬虫是否用phantomjs加载页面*/  "extract_rule": {/*摘取规则，后面单独详述*/    "category": "crawled",    "rule": {/*如果不摘取数据，rule应该为空*/      "title": {/*一个摘取单元，后面单独详述*/        "base": "content",        "mode": "css",        "expression": "title",        "pick": "text",        "index": 1      }    }  },  "cookie": [],/*cookie值，有多个object组成，每个object是一个cookie值*/  "inject_jquery": false,/*在使用phantomjs的情况下是否注入jquery*/  "load_img": false,/*在使用phantomjs的情况下是否载入图片*/  "drill_rules": ["a"],/*页面中感兴趣的链接,填写css选择符选择a元素，可以为多个，此处表示所有链接*/  "drill_relation": {/*一个摘取单元，从页面中摘取一个值来填充上下文关系对此页的描述*/    "base": "content",    "mode": "css",    "expression": "title",    "pick": "text",    "index": 1  },  "validation_keywords": [],/*验证页面下载是否有效的关键词，可以为多个，为空表示不验证*/  "script": [],/*在页面中执行的脚本，可以为多个，依次对应每个层级下的执行。以js_result=..形式*/  "navigate_rule": [],/*自动导航，css选择符，可以为多个，依次对应每个层级，phantomjs将点击匹配的元素进行导航*/  "stoppage": -1,/*导航几个层级后停止*/  "priority": 1,/*调度优先级，数字越小越优先*/  "weight": 10,/*调度权重，数字越大越有限*/  "schedule_interval": 86400,/*重新调度的周期，单位秒*/  "active": true,/*是否激活该规则*/  "seed": [],/*种子地址，重新调度时从这些网址开始*/  "schedule_rule": "FIFO"/*调度方式，FIFO或者LIFO*/}

摘取单元

{"base": "content",/*基于什么摘取，网页DOM：content或者给予url*/  "mode": "css",/*摘取模式，css或者regex表示css选择符或者正则表达式，value表示给固定值*/  "expression": "title",/*表达式，与mode相对应css选择符表达式或者正则表达式，或者一个固定的值*/  "pick": "text",/*css模式下摘取一个元素的属性或者值，text、html表示文本值或者标签代码，@href表示href属性值，其他属性依次类推在前面加@符号*/  "index": 1/*当有多个元素时，选取第几个元素，-1表示选择多个，将返回数组值*/}

摘取规则

/*摘取规则由多个摘取单元构成，它们之间的基本结构如下*/"extract_rule": {    "category": "crawled",/*该节点存储到hbase的表名称*/    "rule": {/*具体规则*/      "title": {/*一个摘取单元，规则参考上面的说明*/        "base": "content",        "mode": "css",        "expression": "title",        "pick": "text",        "index": 1,        "subset":{/*子集*/              "category":"comment",/*属于comment（存储到comment）*/              "relate":"#title#",/*与上级关联*/              "mapping":false,/*子集类型，mapping为true将分到另外的表中单独存储*/              "rule":{                  "profile": {"base":"content","mode":"css","expression":".classname","pick":"@href","index":1},/*摘取单元*/                  "message": {"base":"content","mode":"css","expression":".classname","pick":"@alt","index":1}                },              "require":["profile"]/*必须字段*/            }      }    }  "require":["title"]/*必须字段，如果里面的值为数组，表示这个数组内的值有任意一个就满足要求，例如[[a,b],c]*/  }

三、简单示例

此步骤假设你已经将web配置后台运行起来了,如何运行web配置请按照上一章节的说明

下面列出一个抓取微信号的配置例子.假设我们的意图是抓取http://www.sovxin.com 上的所有微信号.

第一步是观察网站的结构,大概可以分为4个层次:首页,分类频道页,列表页,详情页.我们根据这个页面层次来进行抓取规则的配置,其中,只有详情页是需要配置字段摘取信息的,其他3种页面都是用来逐步发现详情页的.我们将这个顺序倒过来,从详情页开始配置,最后再看首页.##规则列表截图(你的界面肯定还没有这些规则列表,点击Add添加规则,参考我下面列出的配置) DrillingRules

详情页(摘取实际内容的)

detail

你应当对照上一章节讲到的每个配置项的说明来理解这个示例

可以将编辑器切换到代码模式,将下面的json粘贴到里面.

{  "domain": "sovxin.com",  "url_pattern": "^http://www.sovxin.com/weixin_\\d+.html$",  "alias": "detail",  "id_parameter": [    "#"  ],  "encoding": "auto",  "type": "node",  "save_page": false,  "format": "html",  "jshandle": false,  "extract_rule": {    "category": "crawled",    "rule": {      "nickname": {        "base": "content",        "mode": "css",        "expression": "._title>strong",        "pick": "text",        "index": 1      },      "name": {        "base": "content",        "mode": "regex",        "expression": ">微信号：(.*?)</td>",        "pick": "text",        "index": 1      },      "subtype": {        "base": "content",        "mode": "regex",        "expression": ">账号类型：(.*?)</td>",        "pick": "text",        "index": 1      },      "location": {        "base": "content",        "mode": "css",        "expression": ".js_other>._o_left>a",        "pick": "text",        "index": 1      },      "description": {        "base": "content",        "mode": "css",        "expression": ".introduction",        "pick": "html",        "index": 1      },      "logo": {        "base": "content",        "mode": "css",        "expression": ".avatar>img",        "pick": "@src",        "index": 1      },      "qrcode": {        "base": "content",        "mode": "css",        "expression": ".erweima",        "pick": "@src",        "index": 1      },      "class": {        "base": "content",        "mode": "css",        "expression": "._vb_weizhi>a:nth-child(2)",        "pick": "text",        "index": 1      },      "subclass": {        "base": "content",        "mode": "css",        "expression": "._vb_weizhi>a:nth-child(3)",        "pick": "text",        "index": 1      }    },    "require": [      [        "name",        "oid",        "nickname"      ]    ]  },  "cookie": [],  "inject_jquery": false,  "load_img": false,  "drill_rules": [    "a",    ".avatar>img",    ".erweima"  ],  "drill_relation": {    "base": "content",    "mode": "css",    "expression": "._title>strong",    "pick": "text",    "index": 1  },  "validation_keywords": [    "当前位置"  ],  "script": [],  "navigate_rule": [],  "stoppage": -1,  "priority": 1,  "weight": 10,  "schedule_interval": 8640000,  "active": true,  "seed": [],  "schedule_rule": "FIFO",  "use_proxy": false,  "first_schedule": 1408456940902}

列表页(通过它摘取到上面配置的详情页链接以及本身的分页链接)

list

{  "domain": "sovxin.com",  "url_pattern": "^http://www.sovxin.com/t_.*?.html$",  "alias": "list",  "id_parameter": [    "#"  ],  "encoding": "auto",  "type": "branch",  "save_page": false,  "format": "html",  "jshandle"