手把手教你搭建JAVA分布式爬虫

      在工作中，我们经常需要去获取一些数据，但是这些数据可能需要从第三方平台才可以获取到。这个时候，爬虫系统就可以帮助我们来完成这些事情。

      提到爬虫系统，很多人都会想到使用python。但实际上，语言只是一种工具，其背后的设计思想和技术原理才是精髓，这篇关于Java分布式爬虫的文章会带着大家一步一步搭建一个适合Java开发者的爬虫系统。

      第一部分：搭建一个简单的爬虫系统

  现在，我们就来尝试下通过自动化方法来获取https://www.cnblogs.com/的首页内容。在正式开始编写代码之前，我们需要安装两个重要的程序，一个是chromedriver，一个是chrome。

chrome浏览器的下载地址：https://chrome.en.softonic.com/
chromedriver下载地址：http://chromedriver.storage.googleapis.com/index.html

注意：在安装这两个软件的时候，它们的版本需要对应起来才能正常work。

      接下来我要给大家介绍一下Selenium webdriver这个开源组件，Selenium是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。支持的浏览器包括IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera，Edge等。Selenium webdriver是编程语言和浏览器之间的通信工具，它的工作流程如下图所示。     

    环境搭建好之后，我们就开始进入实际开发环节。首先，我们创建一个WebDriverFactory。

@Service public class WebDriverFactory {      @Value("${chrome.path}")     private String chromePath;          @Autowired     private ProxyPool proxyPool;      public WebDriver createWebDriver(boolean useProxy) {         System.setProperty(ChromeDriverService.CHROME_DRIVER_EXE_PROPERTY, "/Users/****/Downloads/chromedriver");         ArrayList<String> arguments = Lists.newArrayList("--no-sandbox",                 "--disable-dev-shm-usage",                 "--disable-web-security",                 "--ignore-certificate-errors",                 "--allow-running-insecure-content",                 "--allow-insecure-localhost",                 "--disable-images",                 "--disable-gpu",                 "--disable-blink-features=AutomationControlled",                 "--user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.16 Safari/537.36",                 "--cache-control=no-cache");         ChromeOptions options = new ChromeOptions();         options.setHeadless(true);         options.addArguments(arguments);         /** 设置使用代理 **/         if (useProxy) {             Proxy proxy = proxyPool.getProxy();             options.setProxy(proxy);         }         Map<String, Object> prefs = Maps.newHashMap();         prefs.put("profile.default_content_settings.popups", 1);         prefs.put("profile.default_content_setting_values.notifications", 1);         options.setExperimentalOption("prefs", prefs);         ChromeDriver webDriver = new ChromeDriver(options);         Map<String, Object> params = Maps.newHashMap(); //      params.put("source", "Object.defineProperty(navigator, 'webdriver', {get: () => undefined})");         params.put("source", "() => {" +                  "      if (navigator.webdriver === false) {" +                  "        continue" +                  "      } else if (navigator.webdriver === undefined) {" +                  "        continue" +                  "      } else {" +                  "        delete Object.getPrototypeOf(navigator).webdriver" +                  "      }" +                  "    }");         webDriver.executeCdpCommand("Page.addScriptToEvaluateOnNewDocument", params);         webDriver.manage().timeouts().implicitlyWait(10, TimeUnit.SECONDS).pageLoadTimeout(20, TimeUnit.SECONDS)                 .setScriptTimeout(10, TimeUnit.SECONDS);         return webDriver;     } }

上面具体到参数和配置，我们后续会进行详细解释，现在我们直接运行相关的代码获取https://www.cnblogs.com/的首页内容。

    @Test     public void testGrabPage() {         WebDriver webDriver = null;         try {             String currentPageUrl = "https://xiaozhuanlan.com/";             webDriver =  webDriverFactory.createWebDriver(false);             webDriver.get(currentPageUrl);             Thread.sleep(1000);             String html = webDriver.getPageSource();             System.out.println(html);         } catch (Exception e) {          e.printStackTrace();         } finally {             webDriver.quit();         }     }

通过上面的代码，我们可以打印出博客园网站首页的全部信息。

第二部分：模拟用户行为

  在上一个部分中，我们可以获取到“博客园”首页的完整内容，在这一篇文章中我们将实现在百度网站自动化搜索“博客园“，并且跳转到“博客园”首页。
  在实现模拟登录之前，我们需要掌握如何定位到自己关心的元素。Selenium中有8种方法可以定位到元素。具体的定位方法可以查看org.openqa.selenium.By这个类。假设我们现在需要定位到如下一个元素：

<tagName attributeName='attributeValue'></tagName>

  那么我们可以根据以下的方法进行定位：

1. driver.findElement(By.name(“attributeName”)，根据元素的属性名称进行定位
2. driver.findElement(By.tagName(“tagName”)，根据元素的名称来进行定位
3. driver.findElement(By.xpath(“tagName[@attributeName=’attributeValue’]”))，根据元素的xpath表达式来进行定位
4. driver.findElement(By.cssSelector(“tagName[attributeName=’attributeValue’]”))，根据元素的CSS选择器来进行定位

上述介绍的元素定位方法如果发现有多个元素可以匹配的，则会选择该页面中第一个符合条件的元素。

      接下来，我们编写模拟用户搜索“博客园”行为的代码，

    @Test     public void searchTest() {         FenbiChromeDriver webDriver = null;         try {             webDriver = (FenbiChromeDriver) webDriverFactory.createWebDriver(false);             String currentPageURL = "http://www.baidu.com";             webDriver.get(currentPageURL);             Thread.sleep(2000);             WebElement searchInputElem = webDriver.findElement(By.xpath("//*[@id=/"kw/"]"));             searchInputElem.sendKeys("博客园");             WebElement searchButtonElem = webDriver.findElement(By.xpath("//*[@id=/"su/"]"));             searchButtonElem.click();             Thread.sleep(2000);             WebElement searchResultList = webDriver.findElement(By.xpath("//*[@id=/"content_left/"]"));             WebElement xiaozhuanlanElem = searchResultList.findElement(By.xpath("//*[@id=/"1/"]/div/div[1]/h3/a"));             xiaozhuanlanElem.click();             Thread.sleep(2000);             System.out.println(webDriver.getPageSource());         } catch (Exception e) {             e.printStackTrace();         } finally {             webDriver.quit();         }     }

webDriver.manage().timeouts().implicitlyWait(10, TimeUnit.SECONDS) .pageLoadTimeout(20, TimeUnit.SECONDS) .setScriptTimeout(10, TimeUnit.SECONDS); webDriver.findElement(By.xpath("//*[@id=/"kwddddd/"]"));

接下来，我们跟随Selenium的隐式等待模式来看看Selenium抓取网页的处理流程是什么样的。

从上面的处理时序图我们可以看出，Selenium与webdriver的交互主要是通过RemoteWebDriver，DriverCommandExecutor和HttpCommandExecutor这三个类来完成的。另外一个比较重要的interface是DriverCommand，这个接口里面列举了webdriver支持的所有命令。

显示等待是使用WebDriverWait通过不断轮询的方式来完成的，示例代码如下所示，

    @Test     public void webDriverWaitTest() {         FenbiChromeDriver webDriver = null;         try {             webDriver = (FenbiChromeDriver) webDriverFactory.createWebDriver(false);             new WebDriverWait(webDriver, 20).until((Function<WebDriver, Boolean>) driver -> {                 String currentPageURL = "http://www.baidu.com";                 driver.get(currentPageURL);                 String html = driver.getPageSource();                 if(html.contains("hello word")) {                  return true;                 } else {                  return false;                 }             });         } catch (Exception e) {             e.printStackTrace();         } finally {             webDriver.quit();         }     }

显示等待的处理逻辑主要是在FluentWait类中的until方法中来完成的，默认情况下until方法会每隔500ms去执行Function实现类中的逻辑，检查执行结果是否为True，如果为True，则返回。如果为False，则sleep 500ms，直到结果为True，或者直到超时。

      上面until方法的参数比较有意思，它需要是Function接口的实现类，范型接口Function<F, T>是google公司的开源组件Guava中的一个接口。这个接口只有一个内部方法apply，其中的F是apply方法的输入参数，T是apply方法的返回值。通过Function接口，Selenium就为WebDriverWait提供了一个很好的扩展点。我们在日常的开发中也可以借鉴这样的开发方法。

      好了，今天就先和大家聊到这里吧，一个完善的爬虫还有很多其他的处理逻辑需要添加和处理。例如：如何应对反爬虫机制，如何实现用户的自动登录，如何对页面进行截图等等。感兴趣的小伙伴儿可以加我们的技术交流群或者加我的微信。