隨著BIG DATA大數(shù)據(jù)概念逐漸升溫，如何搭建一個能夠采集海量數(shù)據(jù)的架構(gòu)體系擺在大家眼前。如何能夠做到所見即所得的無阻攔式采集、如何快速把不規(guī)則頁面結(jié)構(gòu)化并存儲、如何滿足越來越多的數(shù)據(jù)采集還要在有限時間內(nèi)采集。這篇文章結(jié)合我們自身項目經(jīng)驗談一下。

我們來看一下作為人是怎么獲取網(wǎng)頁數(shù)據(jù)的呢？

1、打開瀏覽器，輸入網(wǎng)址url訪問頁面內(nèi)容。
2、復制頁面內(nèi)容的標題、作者、內(nèi)容。
3、存儲到文本文件或者excel。

從技術(shù)角度來說整個過程主要為 網(wǎng)絡(luò)訪問、扣取結(jié)構(gòu)化數(shù)據(jù)、存儲。我們看一下用java程序如何來實現(xiàn)這一過程。

通過這個例子，我們看到通過httpclient獲取數(shù)據(jù)，通過字符串操作扣取標題內(nèi)容，然后通過system.out輸出內(nèi)容。大家是不是感覺做一個爬蟲也還是蠻簡單呢。這是一個基本的入門例子，我們再詳細介紹怎么一步一步構(gòu)建一個分布式的適用于海量數(shù)據(jù)采集的爬蟲框架。

整個框架應(yīng)該包含以下部分，資源管理、反監(jiān)控管理、抓取管理、監(jiān)控管理?？匆幌抡麄€框架的架構(gòu)圖：

• 資源管理指網(wǎng)站分類體系、網(wǎng)站、網(wǎng)站訪問url等基本資源的管理維護；

• 反監(jiān)控管理指被訪問網(wǎng)站（特別是社會化媒體）會禁止爬蟲訪問，怎么讓他們不能監(jiān)控到我們的訪問時爬蟲軟件，這就是反監(jiān)控機制了；

一個好的采集框架，不管我們的目標數(shù)據(jù)在哪兒，只要用戶能夠看到都應(yīng)該能采集到。所見即所得的無阻攔式采集，無論是否需要登錄的數(shù)據(jù)都能夠順利采集。現(xiàn)在大部分社交網(wǎng)站都需要登錄，為了應(yīng)對登錄的網(wǎng)站要有模擬用戶登錄的爬蟲系統(tǒng)，才能正常獲取數(shù)據(jù)。不過社會化網(wǎng)站都希望自己形成一個閉環(huán)，不愿意把數(shù)據(jù)放到站外，這種系統(tǒng)也不會像新聞等內(nèi)容那么開放的讓人獲取。這些社會化網(wǎng)站大部分會采取一些限制防止機器人爬蟲系統(tǒng)爬取數(shù)據(jù)，一般一個賬號爬取不了多久就會被檢測出來被禁止訪問了。那是不是我們就不能爬取這些網(wǎng)站的數(shù)據(jù)呢？肯定不是這樣的，只要社會化網(wǎng)站不關(guān)閉網(wǎng)頁訪問，正常人能夠訪問的數(shù)據(jù)，我們也能訪問。說到底就是模擬人的正常行為操作，專業(yè)一點叫“反監(jiān)控”。

那一般網(wǎng)站會有什么限制呢？

一定時間內(nèi)單IP訪問次數(shù)，沒有哪個人會在一段持續(xù)時間內(nèi)過快訪問，除非是隨意的點著玩，持續(xù)時間也不會太長?？梢圆捎么罅坎灰?guī)則代理IP來模擬。

一定時間內(nèi)單賬號訪問次數(shù)，這個同上，正常人不會這么操作?？梢圆捎么罅啃袨檎５馁~號，行為正常就是普通人怎么在社交網(wǎng)站上操作，如果一個人一天24小時都在訪問一個數(shù)據(jù)接口那就有可能是機器人了。

如果能把賬號和IP的訪問策略控制好了，基本可以解決這個問題了。當然對方網(wǎng)站也會有運維會調(diào)整策略，說到底這是一個戰(zhàn)爭，躲在電腦屏幕后的敵我雙方，爬蟲必須要能感知到對方的反監(jiān)控策略進行了調(diào)整，通知管理員及時處理。未來比較理想應(yīng)該是通過機器學習算法自動完成策略調(diào)整，保證抓取不間斷。

• 抓取管理指通過url，結(jié)合資源、反監(jiān)控抓取數(shù)據(jù)并存儲；我們現(xiàn)在大部分爬蟲系統(tǒng)，很多都需要自己設(shè)定正則表達式，或者使用htmlparser、jsoup等軟件來硬編碼解決結(jié)構(gòu)化抓取的問題。不過大家在做爬蟲也會發(fā)現(xiàn)，如果爬取一個網(wǎng)站就去開發(fā)一個類，在規(guī)模小的時候還可以接受，如果需要抓取的網(wǎng)站成千上萬，那我們不是要開發(fā)成百上千的類。為此我們開發(fā)了一個通用的抓取類，可以通過參數(shù)驅(qū)動內(nèi)部邏輯調(diào)度。比如我們在參數(shù)里指定抓取新浪微博，抓取機器就會調(diào)度新浪微博網(wǎng)頁扣取規(guī)則抓取節(jié)點數(shù)據(jù)，調(diào)用存儲規(guī)則存儲數(shù)據(jù)，不管什么類型最后都調(diào)用同一個類來處理。對于我們用戶只需要設(shè)置抓取規(guī)則，相應(yīng)的后續(xù)處理就交給抓取平臺了。

整個抓取使用了 xpath、正則表達式、消息中間件、多線程調(diào)度框架（參考）。xpath 是一種結(jié)構(gòu)化網(wǎng)頁元素選擇器，支持列表和單節(jié)點數(shù)據(jù)獲取，他的好處可以支持規(guī)整網(wǎng)頁數(shù)據(jù)抓取。我們使用的是google插件 XPath Helper，這個玩意可以支持在網(wǎng)頁點擊元素生成xpath，就省去了自己去查找xpath的功夫，也便于未來做到所點即所得的功能。正則表達式補充xpath抓取不到的數(shù)據(jù)，還可以過濾一些特殊字符。消息中間件，起到抓取任務(wù)中間轉(zhuǎn)發(fā)的目的，避免抓取和各個需求方耦合。比如各個業(yè)務(wù)系統(tǒng)都可能抓取數(shù)據(jù)，只需要向消息中間件發(fā)送一個抓取指令，抓取平臺抓完了會返回一條消息給消息中間件，業(yè)務(wù)系統(tǒng)在從消息中間件收到消息反饋，整個抓取完成。多線程調(diào)度框架之前提到過，我們的抓取平臺不可能在同一時刻只抓一個消息的任務(wù)；也不可能無限制抓取，這樣資源會耗盡，導致惡性循環(huán)。這就需要使用多線程調(diào)度框架來調(diào)度多線程任務(wù)并行抓取，并且任務(wù)的數(shù)量，保證資源的消耗正常。

不管怎么模擬總還是會有異常的，這就需要有個異常處理模塊，有些網(wǎng)站訪問一段時間需要輸入驗證碼，如果不處理后續(xù)永遠返回不了正確數(shù)據(jù)。我們需要有機制能夠處理像驗證碼這類異常，簡單就是有驗證碼了人為去輸入，高級一些可以破解驗證碼識別算法實現(xiàn)自動輸入驗證碼的目的。

擴展一下 ：所見即所得我們是不是真的做到？規(guī)則配置也是個重復的大任務(wù)？重復網(wǎng)頁如何不抓取？

1、有些網(wǎng)站利用js生成網(wǎng)頁內(nèi)容，直接查看源代碼是一堆js。 可以使用mozilla、webkit等可以解析瀏覽器的工具包解析js、ajax，不過速度會有點慢。
2、網(wǎng)頁里有一些css隱藏的文字。使用工具包把css隱藏文字去掉。
3、圖片flash信息。 如果是圖片中文字識別，這個比較好處理，能夠使用ocr識別文字就行，如果是flash目前只能存儲整個url。
4、一個網(wǎng)頁有多個網(wǎng)頁結(jié)構(gòu)。如果只有一套抓取規(guī)則肯定不行的，需要多個規(guī)則配合抓取。
5、html不完整，不完整就不能按照正常模式去扣取。這個時候用xpath肯定解析不了，我們可以先用htmlcleaner清洗網(wǎng)頁后再解析。
6、 如果網(wǎng)站多起來，規(guī)則配置這個工作量也會非常大。如何幫助系統(tǒng)快速生成規(guī)則呢？首先可以配置規(guī)則可以通過可視化配置，比如用戶在看到的網(wǎng)頁想對它抓取數(shù)據(jù)，只需要拉開插件點擊需要的地方，規(guī)則就自動生成好了。另在量比較大的時候可視化還是不夠的，可以先將類型相同的網(wǎng)站歸類，再通過抓取的一些內(nèi)容聚類，可以統(tǒng)計學、可視化抓取把內(nèi)容扣取出幾個版本給用戶去糾正，最后確認的規(guī)則就是新網(wǎng)站的規(guī)則。這些算法后續(xù)再講。這塊再補充一下（多謝zicjin建議）：

背景：如果我們需要抓取的網(wǎng)站很多，那如果靠可視化配置需要耗費大量的人力，這是個成本。并且這個交給不懂html的業(yè)務(wù)去配置準確性值得考量，所以最后還是需要技術(shù)做很多事情。那我們能否通過技術(shù)手段可以幫助生成規(guī)則減少人力成本，或者幫助不懂技術(shù)的業(yè)務(wù)準確的把數(shù)據(jù)扣取下來并大量復制。

方案：先對網(wǎng)站分類，比如分為新聞、論壇、視頻等，這一類網(wǎng)站的網(wǎng)頁結(jié)構(gòu)是類似的。在業(yè)務(wù)打開需要扣取的還沒有錄入我們規(guī)則庫的網(wǎng)頁時，他先設(shè)定這個頁面的分類（當然這個也可以機器預先判斷，他們來選擇，這一步必須要人判斷下），有了分類后，我們會通過“統(tǒng)計學、可視化判斷”識別這一分類的字段規(guī)則，但是這個是機器識別的規(guī)則，可能不準確，機器識別完后，還需要人在判斷一下。判斷完成后，最后形成規(guī)則才是新網(wǎng)站的規(guī)則

7、對付重復的網(wǎng)頁，如果重復抓取會浪費資源，如果不抓需要一個海量的去重判斷緩存。判斷抓不抓，抓了后存不存，并且這個緩存需要快速讀寫。常見的做法有bloomfilter、相似度聚合、分類海明距離判斷。

• 監(jiān)控管理指不管什么系統(tǒng)都可能出問題，如果對方服務(wù)器宕機、網(wǎng)頁改版、更換地址等我們需要第一時間知道，這時監(jiān)控系統(tǒng)就起到出現(xiàn)了問題及時發(fā)現(xiàn)并通知聯(lián)系人。

目前這樣的框架搭建起來基本可以解決大量的抓取需求了。通過界面可以管理資源、反監(jiān)控規(guī)則、網(wǎng)頁扣取規(guī)則、消息中間件狀態(tài)、數(shù)據(jù)監(jiān)控圖表，并且可以通過后臺調(diào)整資源分配并能動態(tài)更新保證抓取不斷電。不過如果一個任務(wù)的處理特別大，可能需要抓取24個小時或者幾天。比如我們要抓取一條微博的轉(zhuǎn)發(fā)，這個轉(zhuǎn)發(fā)是30w，那如果每頁線性去抓取耗時肯定是非常慢了，如果能把這30w拆分很多小任務(wù)，那我們的并行計算能力就會提高很多。不得不提的就是把大型的抓取任務(wù)hadoop化，廢話不說直接上圖：

今天先寫到這里，后續(xù)再介紹下 日均千萬大型采集項目實戰(zhàn)。