您的位置:首页 > 新闻资讯 >文章内容
Java分布式爬虫如何爬取数据案例分享
来源:互联网 作者:admin 时间:2019-01-31 09:18:00

    除了Python可以做分布式爬虫外,Java也能做分布式爬虫,那么Java分布式爬虫容易吗?还需不需要使用代理IP来突破限制的呢?今天跟小编去了解下关于Java分布式爬虫如何爬取数据的问题,下面以Java分布式爬虫抓取电商商品信息为例:


    首先是我们的核心部分--爬虫程序。爬虫的过程为:从Redis数据仓库中取出URL,利用HttpClient进行下载,下载后的页面内容,我们使用HtmlCleaner和xPath进行页面解析,这时,我们解析的页面可能是商品的列表页面,也有可能是商品的详细页面。如果是商品列表页面,则需要解析出页面中的商品详细页面的URL,并放入Redis数据仓库,进行后期解析;如果是商品的详细页面,则存入我们的MySQL数据。具体的架构图如下:


Java分布式爬虫如何爬取数据案例分享


    当核心程序爬虫编写完后,为了加快页面抓取效率,我们需要对爬虫进行改进:一是对爬虫程序进行多线程改造;二是将爬虫部署到多台服务器,进一步加快爬虫的抓取效率。在实际生产环境中,由于刀片服务器的稳定性不太好,所以可能导致一些问题,例如:爬虫进程挂掉,这些问题有可能是经常出现的,所以我们需要对其进行监控,一旦发现爬虫进程挂了,立即启动脚本对爬虫进程进行重新启动,保证我们整个爬虫核心的持续性作业。这是就用到了我们的分布式协调服务ZooKeeper。我们可以另外写一个监控进程的程序用来实时监控爬虫的运行情况,原理是:爬虫在启动时,在ZooKeeper服务中注册一个自己的临时目录,监控程序利用ZooKeeper监控爬虫所注册的临时目录,利用ZooKeeper的性质--如果注册临时目录的程序挂掉后,这个临时目录过一会儿也会消失,利用这个性质,我们的监控程序监控爬虫所注册的临时目录,一旦发现临时目录消失,则说明改服务器上的爬虫进程已挂,于是我们需要启动脚本重新启动爬虫进程。随后我们将抓取得到的商品详细信息存储到我们的分布式MySQL数据库中。以下是整个爬虫项目的架构图:


Java分布式爬虫如何爬取数据案例分享


    1.Redis数据库——临时存储待抓取的URL


    Redis数据库是一个基于内存的Key-Value非关系型数据库。由于其读写速度极快,收到了人们的热捧(每秒10W左右的读写速度)。选用Redis数据库作临时数据存储正是基于此。为了使我们的爬虫优先抓取商品列表页面,我们在Redis中定义了两个队列(利用Redis的list的lpop和rpush模拟),分别是高优先级队列和低优先级队列,我们再高优先级队列中存储了商品列表页面,在低优先级队列存储了商品详细页面。这样我们就可以保证爬虫再进行抓取数据的时候,优先从高优先级队列取数据,从而使得爬虫优先抓取商品列表页面。为了很好地利用Redis数据库,我们编写了一个对于Redis的操作工具类。


    2.HttpClient——使用IP代理抓取数据


    为防止爬虫在频繁访问电商页面的行为被对方程序发现,爬虫程序一般在进行抓取数据的时候都是利用代理IP来抓取,以减少爬虫被电商发现的概率。我们可以使用一些网上的免费IP代理,如西刺代理,也可以花钱买一些IP进行代理下载电商页面。在使用代理进行页面下载时,可能出现连接超时,但这有可能是网络波动导致,也可能是代理IP失效。为了防止出现误判,我们在此做了三次尝试连接的机制代码,如果三次尝试失败,则认为这个IP失效。


    3.HtmlCleaner&xPath——对下载过来的页面进行解析


    解析页面是比较繁琐的任务,我们首先要确定需要解析的对象,然后再利用浏览器提供的xPath工具,copy xpath,然后再根据这个xpath解析出需要的东西。


    4.MySQL数据库——存储商品详细信息


    在操作MySQL数据库这一块,我们也是写了一个数据库操作工具类,使用了Apache数据库连接池DBCP,这个算是比较简单的,配置了DBCP的配置文件后就可以很好地使用了。


    5.ZooKeeper:分布式协调工具,用于后期监控各个爬虫的运行状态


    上文详细的介绍了关于Java分布式爬虫如何爬取数据,在进行抓取的时候,需要注意控制速度,并使用代理IP,比如机灵代理,以突破IP限制,合理的提高采集速度。


相关文章内容简介
推荐阅读
  • 06 2019-06
    租用国内代理ip要考虑几点

    租用国内代理ip要考虑几点,我们知道互联网营销的业务中,经常会用到代理IP,最常见的有投票、抢购、注册等,其实发帖也是可以应用到的,例如在某论坛发帖,经常操作可能会被网站系统

  • 27 2019-05
    代理服务器共享网络

    代理服务器共享网络,这是代理服务器的其中一种作用,很多人可能不知道,但是实际中很多人都是不知不觉在使用共享网络的。

  • 29 2019-03
    案例分享:Python爬虫爬取热门歌单

    Python代码可以做很多的事情,用途比较广泛,比如想知道最近热门的歌单,这也是可以做到的。而且非常简单,零基础都能实现,15行代码便能搞定了。

  • 23 2019-03
    更换IP的几种方法,动态转发代理好用吗?

    大家有时候会看到很多别人发的广告,或者是机器发布文章之类的,这些都会有IP的限制。就比如说,论坛的注册,对于同一个IP都会有限制,而且经常使用同一个IP发布信息,很难通过。为了方

  • 17 2019-04
    做外链,用换IP软件换IP,账户还会被封吗?

    做外链,用换IP软件换IP,账户还会被封吗?虽然说做外链的比重降低,但是效果还是存在的,很多网站还是照做外链的,其效果也相当的不错。不过做外链,并没有那么的简单,因为有限制,

  • 03 2019-06
    使用ip代理进行多账号操作

    偶尔需要使用ip代理进行多账号操作,对于ip代理的使用,如何选择呢?ip代理池其实就是一堆可以用来做代理访问的Pool,作为ServiceProvider它对外提供可用的ip代理及端口。

在线客服
大客户VIP渠道
点击这里给我发消息
讨论QQ群
HTTP代理IP爬虫
客服电话
13318873961