Java 多线程爬虫及分布式爬虫架构探索

这是 Java 爬虫系列博文的第五篇,在上一篇 Java 爬虫服务器被屏蔽,不要慌,咱们换一台服务器 中,我们简单的聊反爬虫策略和反反爬虫方法,主要针对的是 IP 被封及其对应办法。前面几篇文章我们把爬虫相关的基本知识都讲的差不多啦。这一篇我们来聊一聊爬虫架构相关的内容。

Java 多线程爬虫及分布式爬虫架构探索

前面几章内容我们的爬虫程序都是单线程,在我们调试爬虫程序的时候,单线程爬虫没什么问题,但是当我们在线上环境使用单线程爬虫程序去采集网页时,单线程就暴露出了两个致命的问题:

  • 采集效率特别慢,单线程之间都是串行的,下一个执行动作需要等上一个执行完才能执行
  • 对服务器的CUP等利用率不高,想想我们的服务器都是 8核16G,32G 的只跑一个线程会不会太浪费啦

线上环境不可能像我们本地测试一样,不在乎采集效率,只要能正确提取结果就行。在这个时间就是金钱的年代,不可能给你时间去慢慢的采集,所以单线程爬虫程序是行不通的,我们需要将单线程改成多线程的模式,来提升采集效率和提高计算机利用率。

多线程的爬虫程序设计比单线程就要复杂很多,但是与其他业务在高并发下要保证数据安全又不同,多线程爬虫在数据安全上到要求不是那么的高,因为每个页面都可以被看作是一个独立体。要做好多线程爬虫就必须做好两点:第一点就是统一的待采集 URL 维护,第二点就是 URL 的去重, 下面我们简单的来聊一聊这两点。

维护待采集的 URL

多线程爬虫程序就不能像单线程那样,每个线程独自维护这自己的待采集 URL,如果这样的话,那么每个线程采集的网页将是一样的,你这就不是多线程采集啦,你这是将一个页面采集的多次。基于这个原因我们就需要将待采集的 URL 统一维护,每个线程从统一 URL 维护处领取采集 URL ,完成采集任务,如果在页面上发现新的 URL 链接则添加到 统一 URL 维护的容器中。下面是几种适合用作统一 URL 维护的容器:

  • JDK 的安全队列,例如 LinkedBlockingQueue
  • 高性能的 NoSQL,比如 Redis、Mongodb
  • MQ 消息中间件

URL 的去重

URL 的去重也是多线程采集的关键一步,因为如果不去重的话,那么我们将采集到大量重复的 URL,这样并没有提升我们的采集效率,比如一个分页的新闻列表,我们在采集第一页的时候可以得到 2、3、4、5 页的链接,在采集第二页的时候又会得到 1、3、4、5 页的链接,待采集的 URL 队列中将存在大量的列表页链接,这样就会重复采集甚至进入到一个死循环当中,所以就需要 URL 去重。URL 去重的方法就非常多啦,下面是几种常用的 URL 去重方式:

  • 将 URL 保存到数据库进行去重,比如 redis、MongoDB
  • 将 URL 放到哈希表中去重,例如 hashset
  • 将 URL 经过 MD5 之后保存到哈希表中去重,相比于上面一种,能够节约空间
  • 使用 布隆过滤器(Bloom Filter)去重,这种方式能够节约大量的空间,就是不那么准确。

关于多线程爬虫的两个核心知识点我们都知道啦,下面我画了一个简单的多线程爬虫架构图,如下图所示: 

Java 多线程爬虫及分布式爬虫架构探索

多线程爬虫架构图

上面我们主要了解了多线程爬虫的架构设计,接下来我们不妨来试试 Java 多线程爬虫,我们以采集虎扑新闻为例来实战一下 Java 多线程爬虫,Java 多线程爬虫中设计到了 待采集 URL 的维护和 URL 去重,由于我们这里只是演示,所以我们就使用 JDK 内置的容器来完成,我们使用 LinkedBlockingQueue 作为待采集 URL 维护容器,HashSet 作为 URL 去重容器。下面是 Java 多线程爬虫核心代码,详细代码以上传 GitHub,地址在文末:

  1. /** 
  2.  * 多线程爬虫 
  3.  */ 
  4. public class ThreadCrawler implements Runnable { 
  5.     // 采集的文章数 
  6.     private final AtomicLong pageCount = new AtomicLong(0); 
  7.     // 列表页链接正则表达式 
  8.     public static final String URL_LIST = "https://voice.hupu.com/nba"
  9.     protected Logger logger = LoggerFactory.getLogger(getClass()); 
  10.     // 待采集的队列 
  11.     LinkedBlockingQueue<String> taskQueue; 
  12.     // 采集过的链接列表 
  13.     HashSet<String> visited; 
  14.     // 线程池 
  15.     CountableThreadPool threadPool; 
  16.     /** 
  17.      * 
  18.      * @param url 起始页 
  19.      * @param threadNum 线程数 
  20.      * @throws InterruptedException 
  21.      */ 
  22.     public ThreadCrawler(String url, int threadNum) throws InterruptedException { 
  23.         this.taskQueue = new LinkedBlockingQueue<>(); 
  24.         this.threadPool = new CountableThreadPool(threadNum); 
  25.         this.visited = new HashSet<>(); 
  26.         // 将起始页添加到待采集队列中 
  27.         this.taskQueue.put(url); 
  28.     } 
  29.  
  30.     @Override 
  31.     public void run() { 
  32.         logger.info("Spider started!"); 
  33.         while (!Thread.currentThread().isInterrupted()) { 
  34.             // 从队列中获取待采集 URL 
  35.             final String request = taskQueue.poll(); 
  36.             // 如果获取 request 为空,并且当前的线程采已经没有线程在运行 
  37.             if (request == null) { 
  38.                 if (threadPool.getThreadAlive() == 0) { 
  39.                     break; 
  40.                 } 
  41.             } else { 
  42.                 // 执行采集任务 
  43.                 threadPool.execute(new Runnable() { 
  44.                     @Override 
  45.                     public void run() { 
  46.                         try { 
  47.                             processRequest(request); 
  48.                         } catch (Exception e) { 
  49.                             logger.error("process request " + request + " error", e); 
  50.                         } finally { 
  51.                             // 采集页面 +1 
  52.                             pageCount.incrementAndGet(); 
  53.                         } 
  54.                     } 
  55.                 }); 
  56.             } 
  57.         } 
  58.         threadPool.shutdown(); 
  59.         logger.info("Spider closed! {} pages downloaded.", pageCount.get()); 
  60.     } 
  61.  
  62.     /** 
  63.      * 处理采集请求 
  64.      * @param url 
  65.      */ 
  66.     protected void processRequest(String url) { 
  67.         // 判断是否为列表页 
  68.         if (url.matches(URL_LIST)) { 
  69.             // 列表页解析出详情页链接添加到待采集URL队列中 
  70.             processTaskQueue(url); 
  71.         } else { 
  72.             // 解析网页 
  73.             processPage(url); 
  74.         } 
  75.     } 
  76.     /** 
  77.      * 处理链接采集 
  78.      * 处理列表页,将 url 添加到队列中 
  79.      * 
  80.      * @param url 
  81.      */ 
  82.     protected void processTaskQueue(String url) { 
  83.         try { 
  84.             Document doc = Jsoup.connect(url).get(); 
  85.             // 详情页链接 
  86.             Elements elements = doc.select(" div.news-list > ul > li > div.list-hd > h4 > a"); 
  87.             elements.stream().forEach((element -> { 
  88.                 String request = element.attr("href"); 
  89.                 // 判断该链接是否存在队列或者已采集的 set 中,不存在则添加到队列中 
  90.                 if (!visited.contains(request) && !taskQueue.contains(request)) { 
  91.                     try { 
  92.                         taskQueue.put(request); 
  93.                     } catch (InterruptedException e) { 
  94.                         e.printStackTrace(); 
  95.                     } 
  96.                 } 
  97.             })); 
  98.             // 列表页链接 
  99.             Elements list_urls = doc.select("div.voice-paging > a"); 
  100.             list_urls.stream().forEach((element -> { 
  101.                 String request = element.absUrl("href"); 
  102.                 // 判断是否符合要提取的列表链接要求 
  103.                 if (request.matches(URL_LIST)) { 
  104.                     // 判断该链接是否存在队列或者已采集的 set 中,不存在则添加到队列中 
  105.                     if (!visited.contains(request) && !taskQueue.contains(request)) { 
  106.                         try { 
  107.                             taskQueue.put(request); 
  108.                         } catch (InterruptedException e) { 
  109.                             e.printStackTrace(); 
  110.                         } 
  111.                     } 
  112.                 } 
  113.             })); 
  114.  
  115.         } catch (Exception e) { 
  116.             e.printStackTrace(); 
  117.         } 
  118.     } 
  119.     /** 
  120.      * 解析页面 
  121.      * 
  122.      * @param url 
  123.      */ 
  124.     protected void processPage(String url) { 
  125.         try { 
  126.             Document doc = Jsoup.connect(url).get(); 
  127.             String title = doc.select("body > div.hp-wrap > div.voice-main > div.artical-title > h1").first().ownText(); 
  128.  
  129.             System.out.println(Thread.currentThread().getName() + " 在 " + new Date() + " 采集了虎扑新闻 " + title); 
  130.             // 将采集完的 url 存入到已经采集的 set 中 
  131.             visited.add(url); 
  132.  
  133.         } catch (IOException e) { 
  134.             e.printStackTrace(); 
  135.         } 
  136.     } 
  137.  
  138.     public static void main(String[] args) { 
  139.  
  140.         try { 
  141.             new ThreadCrawler("https://voice.hupu.com/nba", 5).run(); 
  142.         } catch (InterruptedException e) { 
  143.             e.printStackTrace(); 
  144.         } 
  145.     } 

我们用 5 个线程去采集虎扑新闻列表页看看效果如果?运行该程序,得到如下结果:

Java 多线程爬虫及分布式爬虫架构探索


多线程采集结果

结果中可以看出,我们启动了 5 个线程采集了 61 页页面,一共耗时 2 秒钟,可以说效果还是不错的,我们来跟单线程对比一下,看看差距有多大?我们将线程数设置为 1 ,再次启动程序,得到如下结果:

Java 多线程爬虫及分布式爬虫架构探索

单线程运行结果

可以看出单线程采集虎扑 61 条新闻花费了 7 秒钟,耗时差不多是多线程的 4 倍,你想想这可只是 61 个页面,页面更多的话,差距会越来越大,所以多线程爬虫效率还是非常高的。

分布式爬虫架构

相关推荐