【文智背后的奥秘】系列篇——分布式爬虫之WebKit
版权声明：本文由文智原创文章，转载请注明出处:
文章原文链接：https://www.qcloud.com/community/article/139
来源：腾云阁 https://www.qcloud.com/community
引子：
文智平台是利用并行计算系统和分布式爬虫系统，并结合独特的语义分析技术，为满足用户NLP、转码、抽取、全网数据抓取等中文语义分析需求的一站式开放平台。其中分布式爬虫系统是获取海量数据的重要手段，给文智平台提供了有效的大数据支撑。
如果简化网络爬虫（Spider）架构，只留下一个模块，那么这个模块就是抓取器Crawler，它在整个Spider架构中就相当于一个嘴巴，这个嘴巴永远在web的海量数据世界中寻找食物。最简单的Crawler就是一个实现了HTTP协议的客户端，它接收一系列URL，向网站发起抓取请求，输出一系列网页Page，如图1所示。
图1：Crawler的工作过程
对于一些小的抓取任务，wget就是一个很不错的选择，例如学校里面搞搜索引擎研究，就经常使用wget或基于wget源码做修改来满足需求。对单次网页下载来说，通常大部分时间都消耗在等待对方网站响应上。如果下载的并发量小，机器和带宽资源就很难得到充分利用，抓取速度上不去。作为商业搜索引擎来说，我们每天抓取数百万甚至千万数量级的网页，那么使用wget性能就远远不能满足需求。因此我们需要拥有一个高性能、高并发的轻量级抓取器。
随着工作的深入，特别是文智中文语义平台的提出，对数据的需求更加精细化、多元化，简单的HTTP抓取已经不能完全满足需求。
目前，互联网上页面的实现方式多种多样，越来越多的站点使用JavaScript部署，例如在http://www.tudou.com/albumcover/Lqfme5hSolM.html 这个页面中，其中关于剧集列表信息（如图2所示）就是利用JavaScript技术来填充的，如果想抓取这个信息，传统的Crawler就无能为力；有些页面抓取需要Post信息（登录等），随着Ajax技术使用，在抓取前后需要与页面进行交互，例如一些新闻的评论页面，其中的评论信息是通过点击“评论”链接后利用Ajax技术来异步抓取的，这个信息传统的Crawler也无法满足抓取需求，例如http://news.sina.com.cn/c/2014-11-26/184331207293.shtml 这个页面，如图3所示。
这些现状都给web页面的抓取收录带来了困难，也对传统Crawler提出了挑战。所以对于Crawler来说，除了高性能、高并发的要求外，还有如下需求：
- 抓取AJAX页面、模拟网页操作，进行表单提交；
- 通过javascript动态实现网页跳转；
- 对内嵌frame页进行抓取拼接；
- 多媒体文档：音、视频、图片等内容的抓取；
图2：通过Js技术填充的剧集列表信息
图3：通过Ajax异步加载的评论信息
这些数据就是海量数据世界中的更美味的食物，而美味的食物总是包裹着厚实的外壳。所以Crawler必须拥有强大的牙齿来破壳取食，而这个牙齿对于Crawler来说就是WebKit。
一.Webkit简介
WebKit是由Apple公司开发的开源浏览器内核，WebKit的发展具体可见文档[1]，这里不再赘述。WebKit主要分为三个模块：WebCore、JavaScriptCore、平台应用相关Port。WebCore是最核心的部分，负责HTML、CSS的解析和页面布局渲染，JavaScriptCore负责JavaScript脚本的解析执行，通过bindings技术和WebCore进行交互，Port部分的代码结合上层应用，封装WebCore的行为为上层应用提供API来使用，如图4所示。
图4：WebKit框架
一个网页的加载过程从用户请求一个URL开始，首先判断是否有本地cache资源可用，如果没有则通过platform/network调用平台相关的下载模块完成HTML和其他资源的下载，HTML字符串经过HTML解析器生成HTML DOM树，并将每个DOM节点注册为JavaScript Object供JS脚本调用，在生成DOM树每个节点的同时，同步生成Layout树的每个节点，其中保存了布局信息，和CSS样式信息，系统绘制时触发page模块中的Paint操作，使用platform/graphics调用平台相关的图形库完成实际绘制，整个过程如图5所示。本文对WebKit内核不做很多介绍，如果感兴趣，请参考技术文档[2]。
图5：WebKit加载网页过程
二.WebKit编译以及裁剪
Spider这里使用的是Qt中集成的WebKit，所用Qt的版本是Qt-4.7.4中的通用版本，下载地址见文档[3]。WebKit所在位置为qt-everywhere-opensource-src-4.7.4/src/3rdparty/webkit。这里选择的是单独编译QtWebKit。通过QMAKE命令编译产生MakeFile文件。编译过程是在接触过的源码中属于比较难编译的，需要注意的是QtWebKit依赖QtScript，单独编译QtWebKit的话，需要单独编译QtScript，具体的编译过程参考文档[4]。
由于Spider不需要最终渲染出网页，只需要WebKit执行之后的网页内容。同时为了提高WebKit的执行速度（爬虫对于性能的要求非常高），这里对WebKit进行了一些裁剪。裁剪包括去除SVG以及一些可选组件和去除WebKit的渲染网页（Render和Layout）的过程。
其中WebKit中的可选组件包括对DATABASE的支持组建、对ICONDATA的支持组建、XPATH、XSLT、XBL和SVG的支持组件。这些组件不再一一介绍，有兴趣的可以Google之。组件的裁剪过程比较简单，通过修改编译使用的PRO文件来进行，例如裁剪掉SVG组件，只需要找到WebCore目录下的WebCore.pro文件，将其中的“qt-port: !contains(DEFINES, ENABLE_SVG=.): DEFINES += ENABLE_SVG=1”修改为“ENABLE_SVG=0”，然后使用qmake生成新的makefile编译即可。
去除WebKit的渲染和排版（Render和Layout）的过程比较繁琐，首先需要确定WebKit中进行页面绘制和渲染的入口，通过阅读源码和GDB调试得知：FrameView::layout操作实现绘制前的排版工作，文档绘制的入口是Frame::paint函数。经过分析验证，页面显示过程中的绘制（paint）的函数入口就是Frame::paint，它的绘制动作的触发来自于上层的动作。作为最靠近Qt的函数入口，只需要把这个函数注释掉，所有的绘制动作就不会再发生。layout的动作是由于FrameView的layout动作引起的。注释掉函数Frame::paint和FrameView::layout之后，就堵住了绝大多数的绘制和排版动作，从而节省了WebKit加载网页的时间。
三.WebKit在Spider中的应用
如前所述，WebKit为Spider提供了更强大的数据抓取的能力，其中它作为一个单独的服务模块来处理需要WebKit加载的页面，目前采用比较简单的CGI接口来与上游服务对接，与上游服务模块之间通过HTTP协议进行交互。后期随着业务复杂度的提升和接口数据的复杂化，不排除使用自定义协议的可能，服务模型如图6所示。
图6：WebKit CGI服务
为了使WebKit作为一个类库应用于服务器的运行中，首要的问题就是去除WebKit中所有关Qt图形化的部分，然后才可以考虑去掉WebKit中有关Qt的其他工具类的应用。这样才能够在在非图形化的方式下获得页面Load之后的内容，而这一内容同时也包括了页面中的非交互式JS代码所生成的内容。本文档所描述的去图形化步骤为:
- 去除WebKit中所有有关QWidget的代码；
- 在去除了QWidget的基础上，修改WebKit代码中有关QWidget属性的获取和设置部分；
- 去除WebKit中有关QApplication的相关代码。
但是目前存在的问题是QApplication必须在main函数中初始化并使用的，而通过Qt的文档也可以看出每一个GUI Qt程序都必须初始化一个QApplication对象，该对象主要管理整个Qt程序的资源以及处理分发Qt程序运行中的事件。这种应用模式是不能够满足作为一个独立类库来使用的，因为QCoreApplication只能在main函数中初始化，并且必须调用app.exec()才能够进入事件处理的循环。目前只有搞清楚WebKit中的整个执行流程，完全去除Qt，这一方法需要了解整个WebKit中的功能，搞清楚目录WebKit/qt、目录WebCore/platform中所有有关文件中的Qt部分的功能，以及与WebCore和JavaScriptCore结合的方式。这种方法优势是可以完成一个独立的类库，将来的服务器运行效率要高，劣势是需要人力和时间去研究上述代码，时间周期长，所以目前还是保留app.exec()。
由于Spider下载需要考虑外网权限和网站封禁等策略，这里使用重写QNetworkProxyFactory类中queryProxy来实现网络代理，首先配置可以访问外网的机器列表，通过对URL串计算MD5值，然后根据MD5值计算hash值，以决定使用哪台外网机器来下载数据。
WebKit不仅会加载URL对应的HTML文档，同时会下载HTML文档中的那些图片数据以及CSS、JS数据等。但是对于Spider来说，目的是能够发现更多的优质URL，对于网页渲染的样式和图片数据并不关心，所以下载这些数据对于Spider来说是一种额外的负担。这里通过对QNetworkAccessManager中的createRequest进行重写，对于后缀是css、png、gif、jpg、flv的URL返回一个不可到达的request，这个request直接返回一个错误，并不会发起真正的网络请求，这样就减少了网络IO，加快网页的加载速度.
目前基于WebKit，Spider实现了抓取AJAX网页、模拟点击后抓取需求。抓取AJAX页面比较简单，WebKit在load网页之后，会执行页面中JS脚本，实现异步拉取数据，然后重新拼装页面，webframe在收到loadfinsh信号之后，即可获得加载异步数据之后的页面。模拟点击也比较类似，通过JS代码嵌入到网页中，然后通过evaluateJavaScript函数触发JS代码执行，执行完再获取网页数据即可。目前正在开发支持JS实现网页跳转（一般浏览器访问一条URL发生跳转时，地址栏的URL会改变，捕获到这种改变，即能拿到所有跳转的URL。在应用层监听QWebFrame的urlChanged信号，当地址栏的URL发生改变时触发自定义的onUrlChanged槽函数，通过这个槽函数来实现自动跳转，获得跳转后的页面）、支持多协议抓取等功能，相信WebKit会在Spider中的应用越来越广泛，能够爬取更多壳内的宝贵数据。
参考文档：
[1] http://web.appstorm.net/general/opinion/the-histoy-of-webkit
[2] https://www.webkit.org/coding/technical-articles.html
[3] http://download.qt-project.org/archive/qt/4.7/qt-everywhere-opensource-src-4.7.4.tar.gz
[4] http://trac.webkit.org/wiki/BuildingQtOnLinux
