设计爬虫Hawk背后的故事

本文写于圣诞节北京下午慵懒的午后。本文偏技术向，不过应该大部分人能看懂。

五年之痒

2016年，能记入个人年终总结的事情没几件，其中一个便是开源了Hawk。我花不少时间优化和推广它，得到的评价还算比较正面，因为负面评价也没什么渠道进我耳朵。

不过你知道我写这个东西花了多久吗？ 掐头去尾，这是第五个年头了。

读研究生伊始，实验室开始做数据挖掘，但我发现大家做研究，都是一段段的代码，遇到新问题，就不得不再拷贝一份修改，很少想过复用。于是我便花了一年的时间，开发了一款现在看起来配色丧心病狂的“数据挖掘软件”：

它居然能在上面刷微博，能把任何一个学姐学妹在微博的蛛丝马迹全扒出来，渲染出配色更丧病的绚丽图表（这里有更详细的细节）。实验室老师最喜欢拿这套软件给参观的领导演示了。

我多少有点偏执，想用纯图形化的方式构建数据挖掘的全部流程：从获取清洗数据，建模，训练到最后可视化。但以我当时的算法和软件水平，这样的东西根本就不可能做完善，我还意淫着能把它商业化。最终结果，是它跟着我一起毕业，除了我和几个学弟之外，没人用过。

工作后，靠业余时间维护它有很大的困难。数不清的bug和时间花销，让它成了拖后腿的包袱。一些考虑不周的接口，设计于几年之前，后来想修改却花费巨大。更重要的是，它的未来在哪里？

时值2015年，桌面软件已死，web都已过时，移动端才是兵家必争之地。这种大杂烩和复杂度，普通人不可能会用，程序员没有文档不爱用，大神不屑于用。

我也不想让它扔在历史的故纸堆里无人问津，索性就开源吧!

在开源之前，我做了一件事，将它改名为Hawk，寓意为驰骋天空的鹰；把我自己用的次数少于10次的组件全部删掉，连3D可视化，统计和预测模块也不幸免：只保留爬虫和数据清洗，因为分析和挖掘已经有其他工具做得更好了，比如Python那无比强大的工具链。我认识到，只做一件事，并将其做好是多么重要。

老司机送它上路了，那一天，它正式出现在GitHub上。

我对Hawk的评价

我就是用程序员的思路去设计Hawk的，好玩有趣是最重要的。

先说优点：起码它能用，几乎没接触过编程的人，也能在看过教程后，做出他自己的设计，熟练后效率会很高。

我最喜欢的是手气不错，升级Hawk2.0之后，绝大多数网页都可以通过一键提取数据。其实原理很简单，就是树结构的模板匹配。

其次便是那个所见即所得的数据清洗，在调试模式下快速设计任务，在执行模式下并行执行。恕我孤陋寡闻，这种基于流式管线思路，在其他软件上用的并不多。

最后便是子任务，再复杂的需求，都可以通过子任务分而治之，比如多次定向跳转。这东西让八爪鱼和火车头去试试看？

Hawk最大的价值，是将复杂的逻辑链条化和可视化了，你可以将代码变得不那么耦合，像搭积木一样方便地组合。当然这些都拜于函数式编程的思想所赐。

再说缺点：Hawk有很多的bug，没单元测试，功能不完善。但这都不是最根本的缺点，最根本是难于实现条件判断和循环，你很难写出if,switch和while。 这也是函数式语言的共同问题，你不得不逼迫自己用另外的思路去解决。虽然通过引入子任务，能“不够优雅”地解决它，但依旧要花费不少脑筋。

有的人觉得Hawk不够强，这是因为它是图形化软件。为什么具备UI的软件很难和命令行相比？因为设计UI的新功能时，不仅需要考虑它的算法，更要考虑它如何在UI上呈现。有些功能非常有用，比如爬虫常见的BFS和DFS(深度和广度优先遍历)，但在UI上配置会异常繁琐，我不得不将它们抛弃掉，只保留最常用的功能。

为什么呢？轻松写BFS的人，会想用Hawk吗？应该不会，他们也许会直接敲代码。

Python版本的Hawk: etlpy

因为图形界面和C#本身的诸多不足，我开始发展了Python的Hawk，称为etlpy (Extract-Transform-Load in Python)

最初的想法，是将Hawk生成的配置文件(xml)交给etlpy去执行，初看很酷，但这种思路被证明不靠谱，两种语言，使用不同类库，对同一个任务流，就因为在底层的细微偏差，会导致结果的完全不同。我花了大量的时间在解决兼容性问题上，发现难度不小，两者互相制约牵绊。

最终，我放弃了所谓的兼容性，之后etlpy功能日新月异，甩了Hawk有10条街不止。Hawk的5分钟拖拽，在etlpy上只要一句话:

url='www.cnblogs.com/p{0}'
t=task().let('p').range('1:20').format(url).detect().let('dignum').split('_')[0].num().write('cnblogs.json')

介绍etlpy的语法超过了本文的范畴，但它拥有Hawk的一切优点，同时能够分布式并行抓取，任务队列，超级代理，定时更新，与任意函数库集成。执行引擎(etlpy)的全部源代码，也就1000行出头。

也许你都没有听过Lisp这门语言，不过没有关系：Hawk是用C#写的，手敲的代码大概有1万行，用Python大概是1000行左右，用Lisp只要300行就能实现它的全部功能！当然，没有图形界面。由此可见编程语言在表现力上的巨大差别。Hawk本质上是个可视化的Lisp设计器。

我喜欢语言的纯粹和精妙，用简洁的语法就能代表复杂的逻辑。Hawk其实定义了一种爬虫语言，对诸多常用操作进行了模块抽象，在拖拖拽拽中，你构建了一张图(Graph)，数据在图上流动，被生成，清洗和消费。最近大热的Tensorflow不也是一样的思路吗？ 这张图，既是数据，也是代码。

当然，不论是Hawk和etlpy，你都不能把它们当成厨子，给它指令，就能做出一道菜来。而应当成一套顺手的厨具，而真正做菜的那个人还是你。自动化只是解决了部分问题，而巧妙设计的源泉还是来自于操作者本人。最强大的工具，是自己。

我们用语言表达概念，模式和流程，在此之上构建抽象。我假定每个用Hawk的人都能触类旁通，因此通过一些通用的介绍，他应该就能理解绝大多数的功能。那如果还是不懂呢？那不好意思，请用八爪鱼，否则Hawk的很多设计，对他来说就变得没有意义。我自己从来不愿意把Hawk和etlpy定义为爬虫，它们提供的是一组环境，语言和工具，爬虫只是它的一个不错的应用场景而已。

为什么要开源？

有人肯定会问，为什么不把Hawk商业化，去赚一笔钱呢？

理想状态下，成立公司去完善推广和销售软件，那么应该行得通，否则单枪匹马是不可能的。那我是不是值得为这套软件成立公司呢？应该不会，因为它只是个工具，还不值得我去开一家公司去完善它。

我相信，这也是很多程序员面临的类似困境，想靠卖软件盈利，就像路上的煎饼摊一样简单朴素，问题是放在10年前还有可能（记不记得30元一套的金山词霸？）而服务化盛行的今天，可能很低。到处推广，最终只可能沦为某天我在咖啡厅里的几句谈资，不可能有什么大气候。

有朋友说，为什么你要开源，对自己来说是不是有点像代码外泄？谷歌的TensorFlow都开源了。前面的路还有很远，大家都要忙着赶路呢。保护代码最好的方式就是开源，没开源时有人还想着破解研究，开源了大家fork一下然后就没有然后了，“得不到的才是最好的”。

不得不说，开源才是最贵的。大家看到开源，欢欣雀跃，以为在路上捡到了钱，其实不是的，如果你真想用起来，一定会花更多的时间来学习它，因为开源者没有义务像商业软件那样，提供完整的支持。时间和钱总是矛盾的，既想省钱还想省时间，天下没有这样的好事。

我以前天真地以为，开源的全部就是把源代码公开在网上。之后难道不是理所应当的声望，一帮牛人帮你优化功能修复bug吗？

哈哈，开源怎么可能那么简单。

如果软件写得不错，但没有宣传，那挂在网上完全无人问津，没人知道那是什么鬼；写得足够好，宣传也到位，那也很难有人帮忙贡献开发： 往上看，大神们都忙着造轮子；往下看一大帮实用主义者，抄起轮子就上路，谁顾得上看轮子是不是圆的呢？

开源不意味着坐视不管，依旧需要大量的精力去培养完善它和它的社区环境，通过邮件和论坛方式提供一定的服务。这件事情如果不用心，则一事无成。

如果pandas和ipython不开源，我现在也可能无法进入数据分析的殿堂，没有Linux和众多开源工具，世界也不会发展成这个样子。我明白了为什么开源是一种哲学，它是一种“共赢”。对程序员来说，名誉和成长比卖软件带来的价值更大，那是认可感和成就感。对其他人来说，开源带来了时间的节省和实际的财富。这样做必然是有价值的。

你肯定会问，那为什么etlpy后来不更新了？

第一它不稳定，现在释放出来可能砸招牌。其次，如果释放出etlpy，能量和Hawk完全不是一个数量级，它可能会让网站变本加厉地防爬虫。

请理性使用爬虫

开发完Hawk的那段时间，我也和很多人一样，看到一个网站就想去试试。以我的熟练程度，20分钟数据就都被下载下来了。然而数据保存在硬盘上，几乎不产生价值。

Google的工程师，可以下载它的全部源代码。可是为什么没有另外一家Google，甚至另外一家百度(又黑了百度)出现呢？　因为更重要的是人才，资源和商业模式，代码在这件事情中最不重要了。拿到源代码都没用，更遑论挂在网上供大众阅读的数据呢？

爬虫是灰色区域，所以大公司从来不公布任何爬虫框架，但内部用的比谁都多。两年以来，网络发生了巨大的变化，ajax化，SEO变成了关键词广告位，大量的网站开始强硬地反爬虫，之前能随便抓取的网站，现在都变得很困难。我相信这里有相当一部分是Hawk的功劳。让人郁闷的是，不少人抓数据仅仅用来玩。

可以想象，一小部分标榜大数据和AI的公司，把Hawk的代码弄下来改改，添一点数据报表功能，就可以盗走别人网站数据，自立门户，去到处忽悠。虽然Hawk开源协议是GPL(使用开源代码的必须开源)，但这完全限制不了，毕竟是中国嘛。可能他们不知道，数据，工具和算法根本不值钱，理解，洞见和执行才是最重要的，可是这部分却需要真刀真枪的本事。

总之，稍微理性一些，适可而止吧。

为什么不继续优化?

很简单，因为没有时间。爬虫本身没太多技术含量，再深入就进入了异构Web数据集成的领域，大部分人根本用不到。这是个拥有数不清trick和dirty技巧的领域，是与网站设计者的攻防战争，玩到最后，你的能力曲线就像log函数一样，被压制在一个确定的上界。

现在是人工智能和深度学习的天下，以我所在的团队为例，身边的大神们都在努力地优化Tensorflow，改造算法的底层来提升效率，在有趣的数据集上做大规模并行训练。

几年之前，如果我没有去做爬虫和Hawk，没有去设计正则解析器tnpy，而是紧跟潮流去做大规模机器学习的话，眼界和身价可能就完全不一样了呢？

当然，我不后悔去做Hawk，它是实实在在的能让大众用起来东西。或许在万里之外，有个一样戴着眼镜充满激情的和我一样的nerd，看到我的代码开心地拍了桌子，大喊“f**king nice work!”到那个时候，其他事情还重要么？

如果说我后悔没做什么，是我没有把软件做成英文，曾经有一段时间我个人非常崇尚中文编程，从而酿成了现在软件国际化异常困难的后果；再者，没有直接开发Python或者js这种能跨平台语言的版本，Hawk只能局限于Windows桌面应用，而不同的社群就风气又不一样了。

它的设计有不少问题，不过更多来自于多种因素的妥协。它注定是不完美的。因为职业生涯的关系，我无法像前几年那样，花大把的时间去优化它。既然开源了，我希望有人能把它做得更好。

其实还是个程序员

我之前从来没想过自己会成为一名程序员。

高中时候理科不错，语文巨差。高考完，老妈扯着嗓子问我，报哪所学校什么专业吧？ 正在打游戏的我根本无暇顾及，不耐烦地说，随便你们吧！ 糊里糊涂地进了通信工程，几年后通信稍显疲软，就自学计算机，然后一点都不偶然地成了一名程序员。

网上黑程序员的段子太多了。我都一笑而过。但最近几年我坚决不买任何尺寸和颜色的格子衫。如果看到我穿，好吧，那一定是我本科时候买的。

你知道那帮每天不苟言笑，整天盯着显示屏的怪人每天在想什么吗？

也许看“沙漠之鹰”能稍微解决一下这个问题吧。不过，敲完这些文字的时候，九点半我还在杭州的酒店里睡眼惺忪，谁让昨天夜里11点才回来的呢？

总之，欢迎使用Hawk，欢迎和我交流有关它的各种问题和建议。