优雅的使用WebMagic框架写Java爬虫

优雅的使用WebMagic框架，爬取唐诗别苑网的诗人诗歌数据

同时在几种动态加载技术（HtmlUnit、PhantomJS、Selenium、JavaScriptEngine）中对比作选择

WebMagic虽然差不多两年没有维护，但其本身是一个优秀的爬虫框架的实现，源码中有很多值得参考的地方，特别是对爬虫多线程的控制。另外，由于页面爬取到的是非结构化数据，所以数据保存到MongoDB。

技术准备

• IDE：IntelliJ IDEA 2018.3.5
• JDK版本：1.8.0_181
• 数据库：MongoDB 4.0.10

• 涉及技术：

  • Webmagic轻量级爬虫框架
  • HtmlUnit网页分析工具包，模拟浏览器运行
  • PhantomJS
  • JavaScriptEngine
  • MongoDB ORM框架 Morphia
  • JUC：Java线程池、线程协作、线程安全类
  • 日志log4j 1.7.25
  • Java反射
  • 单例模式、工厂模式、代理模式

pom.xml文件中的依赖非常简单，并没有使用到Spring系列的框架，所以有些地方自己编码实现了Spring提供的功能

项目结构

• biz包：包括页面爬取逻辑的Processor类，爬虫结果保存的Pipeline类
• dao包：数据获取层
• entity包：实体类，映射保存在MongoDB的文档（Document）
• vo包：值对象，简单的Java对象
• util包：工具包，包括数据库连接类、爬虫辅助类
• common包：项目相关通用类
• Main类：程序入口

项目说明

根据需求将数据保存到MongoDB数据库，因此在程序运行前必须设置好resources/mongodb.properties文件

最好保证MongoDB的版本是4.0以上。另外MongoDB的用户管理比较麻烦，过程大致如下：首先需要创建存储数据的数据库，如命名为user_tangpoem，并存入随便一条数据（集合）使数据库有效化，然后创建一个
admin数据库的root用户，继续创建一个可以读写应用数据库user_tangpoem的用户，然后修改MongoDB配置文件使其以安全认证模式启动。重启数据库，选择admin数据库（use admin）
用刚刚创建的用户（非root用户）使用db.auth()进行登录，返回1说明验证成功，选择user_tangpoem数据库（use user_tangpoem），输入show collections，如果看到最初创建数据库时的集合，则说明用户创建成功。
详细可参考 MongoDB4.0.0 远程连接及用户名密码认证登陆配置——windows

爬虫以多线程的方式运行，在resources/spider.properties文件中可以设置线程数和线程睡眠时间，在设置好数据库配置的基础上，直接运行Main.main()，爬虫就会开始爬取。

线程睡眠，是WebMagic框架源码中每线程爬取完一个url后必然经历的过程，但作者文档并没有对此进行说明，请根据实际情况调整

动态加载技术的选择

1. PhantomJS和Selenium

WebMagic底层已经很好的使用了HttpClient加载静态页面，对于动态页面，也有PhantomJSDownloader和SeleniumDownloader两个常用的利用
浏览器内核模拟浏览器行为的实现，其中，PhantomJS需要指定phantomjs.exe和进行爬取的JS文件，而seleniumDownloader需要指定chromedriver.exe，需要自行下载对应操作系统的版本，
使用起来并不难，本项目不多作讨论。这里关键说明HtmlUnit

2. HtmlUnit

一款开源的Java页面分析工具,读取页面后,可以有效的使用HtmlUnit分析页面上的内容。使用纯Java实现的模拟浏览器，不需要指定外部文件。

虽然其对JS的支持并不完全，但总体而言HtmlUnit的内存消耗、CPU消耗和效率都比PhantomJS和Selenium好，值得进行使用

本项目使用2.25版本的HtmlUnit并没有出现JS加在不成功的问题，但使用2.3x的版本会无法加载

3. JavaScriptEngine

• 既然要加载JS，为何不直接提取JS代码，使用Java自带的JS引擎处理呢？

因为JavaScriptEngine是有局限性的，最明显就是其不支持jquery的语法，因为jquery使用了浏览器内置的对象，而JS引擎本身是没有浏览器对象的

• 那还能使用JS引擎吗？

当然可以，只要分析过页面的加载逻辑，如果不涉及浏览器对象的使用，或者将JS逻辑进行转化，还是能够使用JS引擎的，但牺牲了泛用性。本项目经分析后使用JS引擎加载

4. 横向对比

经过测试，三者比较如下

• 加载一个接口的效率：PhantomJS约13秒，HtmlUnit约10秒，JS引擎约6秒
• 内存消耗、CPU消耗：PhantomJS > HtmlUnit > JS引擎

PhantomJS使用外置的程序，所以JVM无法管理这部分的硬件资源，需要打开任务管理器

爬取过程

经过分析，爬取步骤分为4步：

1. 爬取所有的诗人id。调用一次接口即可获得所有的诗人id，返回JSON格式数据，接口地址为：http://poem.studentsystem.org...
2. 爬取所有的诗人信息。根据上一步的诗人id逐一爬取对应的诗人详细信息，一共有 2529 条数据，则接口调用 2529 次，返回JSON格式数据，接口地址为：http://poem.studentsystem.org...{id}
3. 爬取所有的诗歌信息。根据上一步的诗人信息获取所有的诗歌id，然后逐一调用接口获取诗歌详细信息，一共有约 48000 条数据，则接口调用 48000 次，返回html页面，需要模拟浏览器动态执行JS，接口地址为：http://poem.studentsystem.org...{id}
4. 由于动态执行JS可会能超时，因此最后要处理未成功加载完毕的诗歌信息，从数据库中读取这类数据，再次构成url调用接口爬取，直到所有数据都完整。这类数据约占1%，则接口调用约 480 次

显然，如上描述，采用的是宽度优先遍历，所以当执行到第3步时，才会有数据入库

优化后使用Java8的nashorn JS引擎执行JS代码，不需要动态加载JS，所以不会出现4的问题

耗时估计

根据爬取过程分析，忽略程序启动时间和调用获取诗人id接口的时间

在开启8线程的并发模式下（使用HtmlUnit进行动态加载）：

• 调用获取诗人信息的接口，每次需要5秒（5秒是线程内置的睡眠时间，可设置）
• 调用获取诗歌信息的接口，每次需要10秒（包含了上述的5秒）

一共需要： 2529 / 8 5 + 48000 （1 + 0.01）/ 8 * 10 ≈ 62596秒 ≈ 1043分钟 ≈ 17.4小时

上述数据是在本地测试中得到的，配置为 win10 8G i5-4210M 4核

优化后，用JS引擎取代模拟浏览器动态加载JS，获取诗歌信息的耗时明显缩短，由10秒缩短到6秒左右，因此重新计算耗时如下：

2529 / 8 5 + 48000 / 8 6 ≈ 37185秒 ≈ 620分钟 ≈ 10.3小时

性能评估

当使用模拟浏览器动态加载JS时，观察JVM的使用情况，发现爬取诗歌阶段频繁发生Minor GC（新生代GC），差不多10秒一次，如下图所示，
后判明是多线程模拟浏览器加载页面行为非常的耗内存（参考同时打开8个浏览器加载网页），对象频繁创建，频繁消耗，
建议运行时通过-Xms -Xmx把JVM内存设置得大些，至少1G，然后把新生代的比例设大，如-Xms2048M -Xmx2048M -XX:+UseParallelOldGC -XX:NewRatio=1

后来，用JS引擎取代模拟浏览器动态加载JS，不仅速度得到明显提升，而且内存的消耗大幅度降低，Minor GC平均1分钟发生一次，如下图所示，

最后附上GitHub项目地址：https://github.com/Kanarienvogels/spider-tangpoem