GuozhongCrawler看准网爬虫动态切换IP漫爬虫

有些关于URL去重的方面代码没有提供，需要自己去实现。主要这里提供思路

项目地址：http://git.oschina.net/woshidaniu/GuozhongCrawler/tree/master/example/changeProxyIp/

首先爬虫入口类：

public class PervadeSpider {

    public static void main(String[] args) {
        CrawTaskBuilder builder = CrawlManager.getInstance()
        .prepareCrawlTask("看准网漫爬虫", DefaultPageDownloader.class)
        .useThread(200)// 使用多个线程下载
        .useDynamicEntrance(DynamicEntranceImpl.class)
        .useProxyIpPool(KanzhunProxyIpPool.class, 800, 1000 * 60 * 20, 30)
        .useQueueSimpleBlockingRequest()//采用广度优先策略，当然redis队列也是fifo。如果想做分布式爬虫的话可以设置redis队列
        .usePageEncoding(PageEncoding.UTF8);
        CrawlTask spider = builder.build();
        CrawlManager.getInstance().start(spider);
    }
    
    public static final class DynamicEntranceImpl extends DynamicEntrance{

        @Override
        public List<StartContext> loadStartContext() {
            StartContext context = new StartContext();
            context.injectSeed(context.createPageRequest("http://www.kanzhun.com/companyl/search/?ka=banner-com", ExtractUrlPageProcessor.class));//公司
            context.injectSeed(context.createPageRequest("http://www.kanzhun.com/salaryl/search/?stype=&ka=banner-salary", ExtractUrlPageProcessor.class));//工资
            context.injectSeed(context.createPageRequest("http://www.kanzhun.com/jobl/p/?ka=banner-recruit", ExtractUrlPageProcessor.class));//招聘
            context.injectSeed(context.createPageRequest("http://www.kanzhun.com/interviewl/search/?stype=&ka=banner-interview", ExtractUrlPageProcessor.class));//面试
            context.injectSeed(context.createPageRequest("http://www.kanzhun.com/topic/100.html?ka=com-topic-1", ExtractUrlPageProcessor.class));//公司之最
            return Arrays.asList(context);
        }
        
    }
}

动态代理IP提供类:

public class KanzhunProxyIpPool extends ProxyIpPool {
    public static final String IP_RESOURCE = "地址忽略";//地址请求的个数必须设置为initProxyIp(int size)中size的个数
    public KanzhunProxyIpPool(int initSize, long pastTime, int max_use_count) {
        super(initSize, pastTime, max_use_count);
    }

    private Pattern extractIp = Pattern.compile("([\\d]{1,3}\\.[\\d]{1,3}\\.[\\d]{1,3}\\.[\\d]{1,3}):(\\d+)");
    
    @Override
    protected List<ProxyIp> initProxyIp(int size) throws Exception {
        List<ProxyIp>   ip = new ArrayList<ProxyIp>();
        URL url = null;
        BufferedReader br = null;
        StringBuffer buf = new StringBuffer();
        try {
            url = new URL(IP_RESOURCE);
            InputStream in = url.openStream();
            br = new BufferedReader(new InputStreamReader(in,"utf-8"));
            String temp = null;
            
            while((temp = br.readLine())!=null){
                buf.append(temp).append("\n");
            }
            
            ProxyIp proxy = null;
            Matcher matcher = extractIp.matcher(buf);
            while(matcher.find()){
                proxy = new ProxyIp(matcher.group(1), Integer.parseInt(matcher.group(2)));
                ip.add(proxy);
            }
        } catch (Exception e) {
            e.printStackTrace();
            System.out.println(buf);
        }finally{
            if(br != null){
                try {
                    br.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        return ip;
    }

}

漫爬页面处理类：

public class ExtractUrlPageProcessor implements PageProcessor {
    
    
    
    private String domain = "http://www.kanzhun.com";
    
    private List<URLFilter> urlFilters = new ArrayList<URLFilter>();
    
    private List<Pattern> urlRegulars = null;
    
    public ExtractUrlPageProcessor(){
        System.out.println("加载漫爬抽取URL正则");
        urlRegulars = ConfigReader.getExtractRegular();
        System.out.println("加载漫爬规则完毕");
        addURLFilter(new URLFilter() {
            
            @Override
            public boolean filter(String url) {
                return !url.contains("javascript");//去除jquery标签
            }
        });
        addURLFilter(new URLFilter() {
            
            @Override
            public boolean filter(String url) {
                return url.contains("http://www.kanzhun.com");//保证域名内URL
            }
        });
        addURLFilter(new URLFilter() {
            
            @Override
            public boolean filter(String url) {
                for (Pattern pattern : urlRegulars) {
                     boolean result = pattern.matcher(url).find();
                     if(result)
                         return true;
                }
                return false;//保证url符合urlRegulars里任意一个正则
            }
        });
        
    }
    
    /**
     * kanzhunId抽取正则
     */
    final static Pattern[] idExtracts = new Pattern[]{
        Pattern.compile("gso(\\d+)[^\\d]+"),//简介抽取公司id
        Pattern.compile("gsr(\\d+)[^\\d]+"),//点评抽取公司id
        Pattern.compile("gsm(\\d+)[^\\d]+"),//面试抽取公司id
        Pattern.compile("gsx(\\d+)[^\\d]+"),//工资抽取公司id
        Pattern.compile("g(\\d+)[^\\d]+"),//招聘抽取公司id
        Pattern.compile("gsp(\\d+)[^\\d]+"),//照片抽取公司id
        Pattern.compile("gsl(\\d+)[^\\d]+")//员工抽取公司id
    };

    @Override
    public PageScript getJavaScript() {
        // TODO Auto-generated method stub
        return null;
    }
    
    
    private Pattern normalContain = Pattern.compile("看准网");

    @Override
    public Pattern getNormalContain() {
        return normalContain;
    }

    @Override
    public void process(OkPage page,StartContext context,List<BasicRequest> queue,List<Proccessable> objectContainer) throws Exception {
        // TODO Auto-generated method stub
        /**
         * 每个页面抽取的符合urlRegulars规则的url
         */
        Set<String> extractUrls = new HashSet<String>();
        
        /**
         * 每个页面所有的kanzhunId
         * 这里解释下比如阿里巴巴的首页是http://www.kanzhun.com/gso9012.html?ka=com1-title
         * 那个阿里巴巴的kanzhunId就是9012
         * 我们可以根据这个推导出阿里巴巴的
         * 点评页：http://www.kanzhun.com/gsr9012.html?ka=com-blocker1-review
         * 面试页：http://www.kanzhun.com/gsm9012.html?ka=com-blocker1-interview
         * 工资页：http://www.kanzhun.com/gsx9012.html?ka=com-blocker1-salary
         * 招聘页：http://www.kanzhun.com/job/g9012.html?ka=com-blocker1-job
         * 照片页：http://www.kanzhun.com/gsp9012.html?ka=com-blocker1-photo
         * 员工页：http://www.kanzhun.com/gsl9012.html?ka=com-blocker1-employee
         *
         */
        Set<String> kanzhunIds = new HashSet<String>();
        
        Document doc = Jsoup.parse(page.getContent());
        Elements allLinks = doc.select("a");
        String href = null;
        for (Element link : allLinks) {
            href = link.attr("href");
            if(href.startsWith("/")){
                href = domain+href;
            }
            if(pass(href)){
                extractUrls.add(href);
            }
            //抽取页面所有包含的kanzhunID
            for (Pattern pattern : idExtracts) {
                Matcher matcher = pattern.matcher(href);
                if(matcher.find()){
                    kanzhunIds.add(matcher.group(1));
                }
            }
        }
        
        //step1
        System.out.println(page.getRequest().getUrl()+"抽取了URL"+extractUrls.size()+"个:");
        //对url去重（这个需要你们自己实现这里用伪代码表示）
        System.out.println("去出重复url...");
        
        //step2
        System.out.println(page.getRequest().getUrl()+"抽取了kanzhunId"+kanzhunIds.size()+"个:");
        //对抓过的kanzhunId进行去重（这个需要你们自己实现这里用伪代码表示）
        System.out.println("kanzhunId进行去重...");
        
        
        //将抽取的URL加入到队列
        for (String extractUrl:extractUrls) {
            PageRequest pageRequest = context.createPageRequest(extractUrl, ExtractUrlPageProcessor.class);
            queue.add(pageRequest);//加到队列
        }
        
        //将抽取的kanzhunId封装成每个企业的主页URL。抓取企业信息
        for (String kanzhunId:kanzhunIds) {
            PageRequest pageRequest = context.createPageRequest("http://www.kanzhun.com/gso"+kanzhunId+".html?ka=com1-title", CompanyPageProcessor.class);
            queue.add(pageRequest);//加到队列
        }
        
    }
    
    @Override
    public void processErrorPage(Page arg0, StartContext arg1) throws Exception {
        // TODO Auto-generated method stub
        
    }
    
    /**
     * 对每个URL进行filter
     * @param url
     * @return
     */
    private boolean pass(String url){
        for (URLFilter filter : urlFilters) {
            if(!filter.filter(url)){
                return false;
            }
        }
        return true;
    }
    

    
    public void addURLFilter(URLFilter urlFilter){
        urlFilters.add(urlFilter);
    }
}

最后URL抽取规则贴上。

    <ExtractRegular>
        <!-- 行业URL 或者 公司标签  或者 城市-->
        <Regular>/pl[act][a-z0-9]+\.html</Regular>
        
        
        <!-- 行业URL 或者 城市-->
        <Regular>/xs[ac][a-z0-9]+\.html</Regular>
        
        
        <!-- 招聘分类URL-->
        <Regular>/jobli_.+</Regular>
        
        <!-- 面试分类URL-->
        <Regular>/ms[ac].+</Regular>
        
        <!-- 公司之最-->
        <Regular>/topic/[a-z0-9]+</Regular>
        
        
        <!-- 热门职位-->
        <Regular>/salary/(\d+)/</Regular>
        <Regular>/interview/(\d+)/</Regular>
    </ExtractRegular>

搞定。