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();
        }
    }

结合上一部分中的WebDriverFactory，并运行上面的代码，我们就可以自动跳转到博客园网站的首页了。

第三部分：判断元素是否加载完毕

当我们需要判断我们关注的元素是否加载完毕的时候，在Selenium框架下有隐式等待和显式等待两种方式。

隐式等待是在创建webdriver的时候设置的超时时间，在整个的webdriver生命周期内都是有效的。设置了隐式等待后，Selenium在执行findElement的DriverCommand时候会一直等待，直到获取到对应的元素。设置隐式等待的方法如下：

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。