基于Redis的爬虫平台的实现

一、需求：

1.数据抓取：目标数据的下载、解析、入库功能。

2.数据服务：黑名单、灰名单等查询服务。

3.平台监控：平台各个模块的数据实时监控。

二、WEB端效果展示：

三、架构设计

下载器、解析器、持久器、调度器都支持独立部署，可横向拓展部署多台服务。解耦。

下载器内部开启多线程下载；

解析器从待解析队列取数据，分支抽链、解析；

调度器和持久器都放在web工程中，项目启动时抓取任务初始化+持久器任务开启。

下载器、解析器、调度器、持久器都依赖于底层基础DAO服务。

四、技术选型

1.下载器和解析器：尝试过很多种，Jsoup、Jspider、Xpath、httpclient、HtmlUnit等。基本功能都可以。Jsoup可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。Jsoup的强大选择器最终让我选择了它。

2.生产消费介质：这里有很多种：消息队列MQ、缓存容器redis等都可以胜任。作为一次练手，采用单台redis作为消费介质（内部串行执行），可避免多线程并发问题，数据结构为list。