WebMagic之爬虫监控

访问我的博客

前言

年前闲着无聊，研究了一阵子爬虫技术，接触到爬虫框架 WebMagic，感觉很好用。
在之后的工作中，接手了新站与第三方接口对接的工作，主要的工作是去抓取对方接口的内容；初始的时候，之前负责该工作的同事，是手动使用多线程去抓取，在应用的过程当中暴露了不少问题。比如对于接口内容超级多的时候，虽然使用了多线程，但是抓取的效率很低，而且也没有实现增量抓取，每次都需要去全量抓取，跑一次基本需要好几天-.-；小说是连载的情况下，这种问题是亟需解决的。

趁着熟悉了新兵器 WebMagic, 果断在项目中进行引入，解决以上问题。功能上线后，替换了原有的多线程抓取，目前已经十分稳定， 基本上配置好任务之后，就无需再人工干预了。

以下，正文是基于我学习 WebMagic 时练手项目，功能和在公司开发的差不多，只不过我本地开发的是去抓取盗版网站的内容。

项目预览

  1. 菜单管理

  2. 爬虫任务管理

  3. 实现了爬虫的状态监控，以及可视化启停

初入手兵器-基本使用

  1. 爬虫套路分析
    先看官方文档的总体架构图

    大部分模块WebMagic已经提供了默认实现。
    一般来说，对于编写一个爬虫，PageProcessor是需要编写的部分，而Spider则是创建和控制爬虫的入口。

    得益于 WebMagic 框架的良好封装，对于框架的使用者来说，所需要编写的代码几乎只有爬虫的逻辑代码，而对于怎么爬，维护任务队列的事情，WebMagic 都可以替我们做好。开始我们的爬虫之旅吧！

  2. 引入依赖
    本文中所使用到的项目是基于 Maven 的 SSM 项目，在 pom.xml 中引入 WebMagic 的依赖。

    <dependency>
	<groupId>us.codecraft</groupId>
	<artifactId>webmagic-core</artifactId>
	<version>0.7.3</version>
</dependency>
<dependency>
	<groupId>us.codecraft</groupId>
	<artifactId>webmagic-extension</artifactId>
	<version>0.7.3</version>
</dependency>

  3. 基本类图
    先将对应的处理类进行抽象出来，方便统一处理。

  4. 每个爬虫都有其对应的配置信息

    Site 是 抓取网站的相关配置，包括编码、抓取间隔、重试次数

  5. 对应的实现类重写 process 方法，在方法中实现对应的爬虫逻辑处理

  6. 启动爬虫

  7. 爬虫的使用就简单带过，具体可以将本文与官方文档结合使用，官方文档的示例只是基于 main 方法。

爬虫监控

  1. 扩展源码
    为了实现项目预览的效果，实现爬虫的状态监控，需要对爬虫进行扩展。因为官网提供的方式功能不足以达到在页面展示的效果。

    添加监控非常简单，获取一个 SpiderMonitor 的单例 SpiderMonitor.instance()，并将你想要监控的 Spider 注册进去即可。你可以注册多个 Spider 到 SpiderMonitor 中。

    查看 SpiderMonitor 源代码后，如果调用的是 获取一个 SpiderMonitor 的单例 SpiderMonitor 的 注册方法，发现 WebMagic 将每只爬虫的状态对象 SpiderStatusMXBean 全部添加到一个 List 集合当中去，这样就难以区分具体是哪一只爬虫的状态，所以我们需要对 SpiderMonitor 进行扩展。

    将 SpiderMonitor 中的
    private List<SpiderStatusMXBean> spiderStatuses = new ArrayList<SpiderStatusMXBean>();
    修改为 Map 集合，key 选择 Spider 的 UUID 作为唯一区分爬虫的标记。

    @Experimental
public class MySpiderMonitor {

	private static MySpiderMonitor INSTANCE = new MySpiderMonitor();

	private AtomicBoolean started = new AtomicBoolean(false);

	private Logger logger = LoggerFactory.getLogger(getClass());

	private MBeanServer mbeanServer;

	private String jmxServerName;

	private Map<String,MySpiderStatus> spiderStatuses = new HashMap<String,MySpiderStatus>();

	protected MySpiderMonitor() {
		jmxServerName = "WebMagic";
		mbeanServer = ManagementFactory.getPlatformMBeanServer();
	}
    public Map<String,MySpiderStatus> getSpiderStatuses()
    {
        return spiderStatuses;
    }

	/**
	 * Register spider for monitor.
	 *
	 * @param spiders spiders
	 * @return this
	 */
	public synchronized MySpiderMonitor register(Spider... spiders) throws JMException {
		for (Spider spider : spiders) {
			MyMonitorSpiderListener monitorSpiderListener = new MyMonitorSpiderListener();
			if (spider.getSpiderListeners() == null) {
				List<SpiderListener> spiderListeners = new ArrayList<SpiderListener>();
				spiderListeners.add(monitorSpiderListener);
				spider.setSpiderListeners(spiderListeners);
			} else {
				spider.getSpiderListeners().add(monitorSpiderListener);
			}
            MySpiderStatus spiderStatusMBean = getSpiderStatusMBean(spider, monitorSpiderListener);
			registerMBean(spiderStatusMBean);
			spiderStatuses.put(spider.getUUID(),spiderStatusMBean);
		}
		return this;
	}

	protected MySpiderStatus getSpiderStatusMBean(Spider spider, MyMonitorSpiderListener monitorSpiderListener) {
		return new MySpiderStatus(spider, monitorSpiderListener);
	}

	public static MySpiderMonitor instance() {
		return INSTANCE;
	}

	public class MyMonitorSpiderListener implements SpiderListener {

		private final AtomicInteger successCount = new AtomicInteger(0);

		private final AtomicInteger errorCount = new AtomicInteger(0);

		private List<String> errorUrls = Collections.synchronizedList(new ArrayList<String>());

		@Override
		public void onSuccess(Request request) {
			successCount.incrementAndGet();
		}

		@Override
		public void onError(Request request) {
			errorUrls.add(request.getUrl());
			errorCount.incrementAndGet();
		}

		public AtomicInteger getSuccessCount() {
			return successCount;
		}

		public AtomicInteger getErrorCount() {
			return errorCount;
		}

		public List<String> getErrorUrls() {
			return errorUrls;
		}
	}

	protected void registerMBean(SpiderStatusMXBean spiderStatus) throws MalformedObjectNameException, InstanceAlreadyExistsException, MBeanRegistrationException, NotCompliantMBeanException {
		ObjectName objName = new ObjectName(jmxServerName + ":name=" + spiderStatus.getName());
        if(mbeanServer.isRegistered(objName)==false)
        {
            mbeanServer.registerMBean(spiderStatus, objName);
        }
	}

}

    需要注意的是，SpiderMonitor 中使用的 SpiderStatus 也需要进行一同扩展。

    public class MySpiderStatus implements SpiderStatusMXBean {

    protected final Spider spider;

    protected Logger logger = LoggerFactory.getLogger(getClass());

    protected final MySpiderMonitor.MyMonitorSpiderListener monitorSpiderListener;

    public MySpiderStatus(Spider spider, MySpiderMonitor.MyMonitorSpiderListener monitorSpiderListener) {
        this.spider = spider;
        this.monitorSpiderListener = monitorSpiderListener;
    }

    public Spider getSpider()
    {
        return this.spider;
    }

    public String getName() {
        return spider.getUUID();
    }

    public int getLeftPageCount() {
        if (spider.getScheduler() instanceof MonitorableScheduler) {
            return ((MonitorableScheduler) spider.getScheduler()).getLeftRequestsCount(spider);
        }
        logger.warn("Get leftPageCount fail, try to use a Scheduler implement MonitorableScheduler for monitor count!");
        return -1;
    }

    public int getTotalPageCount() {
        if (spider.getScheduler() instanceof MonitorableScheduler) {
            return ((MonitorableScheduler) spider.getScheduler()).getTotalRequestsCount(spider);
        }
        logger.warn("Get totalPageCount fail, try to use a Scheduler implement MonitorableScheduler for monitor count!");
        return -1;
    }

    @Override
    public int getSuccessPageCount() {
        return monitorSpiderListener.getSuccessCount().get();
    }

    @Override
    public int getErrorPageCount() {
        return monitorSpiderListener.getErrorCount().get();
    }

    public List<String> getErrorPages() {
        return monitorSpiderListener.getErrorUrls();
    }

    @Override
    public String getStatus() {
        return spider.getStatus().name();
    }

    @Override
    public int getThread() {
        return spider.getThreadAlive();
    }

    public void start() {
        spider.start();
    }

    public void stop() {
        spider.stop();
    }

    @Override
    public Date getStartTime() {
        return spider.getStartTime();
    }

    @Override
    public int getPagePerSecond() {
        int runSeconds = (int) (System.currentTimeMillis() - getStartTime().getTime()) / 1000;
        return getSuccessPageCount() / runSeconds;
    }

}

  2. 重写爬虫启动处代码

    @Service
public class WebMagicService {
    
    @Resource
    private ApplicationContext context;
    @Resource
    private TaskService taskService;
    
    public void run(TaskDTO taskDTO, boolean runAsync) throws Exception {
        MySpiderMonitor spiderMonitor = MySpiderMonitor.instance();
        String ruleJson = taskDTO.getTaskRuleJson();
        WebMagicConfig config = JSONObject.parseObject(ruleJson, WebMagicConfig.class);
        SpiderConfig spiderConfig = config.getSpider();
        AbstractPageProcess pageProcess = context.getBean(spiderConfig.getProcesser(), AbstractPageProcess.class);
    
        pageProcess.init(config);
        pageProcess.setUuid(taskDTO.getSpiderUUID());
    
        Spider spider = Spider.create(pageProcess).thread(spiderConfig.getThread());
        spider.setUUID(taskDTO.getSpiderUUID());
    
        List<String> pipelines = spiderConfig.getPipeline();
        for (String pipeline : pipelines) {
            Pipeline bean = context.getBean(pipeline, Pipeline.class);
            if (bean != null) {
                spider.addPipeline(bean);
            }
        }
        // 设置Downloader
        // 设置Scheduler
    
        // 注册爬虫
        spiderMonitor.register(spider);
        spider.addUrl(spiderConfig.getStartUrl());
    
        if (runAsync) {
            spider.runAsync();
        } else {
            spider.run();
        }
    }
    
    /**
     * 爬虫状态监控
     * @return
     */
    public List<TaskDTO> runTaskList() {
    
        MySpiderMonitor spiderMonitor = MySpiderMonitor.instance();
        Map<String, MySpiderStatus> spiderStatuses = spiderMonitor.getSpiderStatuses();
    
        List<TaskDTO> taskDTOList = taskService.findAll();
        for (TaskDTO taskDTO : taskDTOList) {
            MySpiderStatus spiderStatus = spiderStatuses.get(taskDTO.getSpiderUUID());
            if (spiderStatus == null) {
                taskDTO.setRunState(Spider.Status.Stopped.name());
            } else {
                taskDTO.setRunState(spiderStatus.getStatus());
            }
        }
    
        return taskDTOList;
    }
    
    public TaskDTO stop(TaskDTO taskDTO) {
        MySpiderMonitor spiderMonitor = MySpiderMonitor.instance();
        Map<String, MySpiderStatus> spiderStatuses = spiderMonitor.getSpiderStatuses();
        MySpiderStatus spiderStatus = spiderStatuses.get(taskDTO.getSpiderUUID());
    
        if (spiderStatus != null) {
            spiderStatus.stop();
            spiderStatus.getSpider().close();
        }
    
        return taskDTO;
    }
}

    创建爬虫时，将爬虫注册到 MySpiderMonitor 中，之后通过 getSpiderStatuses 方法即可获取所有爬虫的状态了。

资源下载

posted @ 2018-08-15 22:18  WeJan1  阅读(4486)  评论(2)  编辑  收藏  举报