java可以写爬虫吗?

发布网友 发布时间:2022-04-22 02:10

我来回答

1个回答

热心网友 时间:2023-09-10 04:43

爬虫都是基于现有的框架来开发的,基于java语言实现的爬虫框架很多,这里列举一个:WebMagic,它的架构设计参照了Scrapy,应用了HttpClient、Jsoup等Java成熟的工具,包含四个组件(Downloader、PageProcessor、Scheler、Pipeline),Spider是WebMagic内部流程的核心,上面的四个组件都相当于Spider的一个属性,通过设置这个属性可以实现不同的功能。

写爬虫你一定要关注以下5个方面:

1.如何抽象整个互联网

抽象为一个无向图,网页为节点,网页中的链接为有向边。

2.抓取算法

采用优先队列调度,区别于单纯的BFS,对于每个网页设定一定的抓取权重,优先抓取权重较高的网页。对于权重的设定,考虑的因素有:1.是否属于一个比较热门的网站2.链接长度3.link到该网页的网页的权重4.该网页被指向的次数等等。

进一步考虑,对于热门的网站,不能无*的抓取,所以需要进行二级调度。首先调度抓取哪个网站,然后选中了要抓取的网站之后,调度在该网站中抓取哪些网页。这样做的好处是,非常礼貌的对单个网站的抓取有一定的*,也给其他网站的网页抓取一些机会。

3.网络模型

分别考虑单机抓取和分布式抓取的情况。对于Windows的单机,可以使用IOCP完成端口进行异步抓取,该种网络访问的方式可以最大程度的利用闲散资源。因为网络访问是需要等待的,如果简单的同时开多个线程,计算机用于线程间切换的耗费会非常大,这种用于处理抓取结果的时间就会非常少。IOCP可以做到使用几个线程就完成几十个线程同步抓取的效果。对于多机的抓取,需要考虑机器的分布,如抓取亚洲的站点,则用在亚洲范围内的计算机等等。

4.实时性

新闻网页的抓取一般来说是利用单独的爬虫来完成。新闻网页抓取的爬虫的权重设置与普通爬虫会有所区别。首先需要进行新闻源的筛选,这里有两种方式,一种是人工设置新闻源,如新浪首页,第二种方式是通过机器学习的方法。新闻源可以定义链接数非常多,链接内容经常变化的网页。从新闻源网页出发往下抓取给定层级*的网页所得到,再根据网页中的时间戳信息判断,就可以加入新闻网页。

5.网页更新

网页如果被抓下来以后,有的网页会持续变化,有的不会。这里就需要对网页的抓取设置一些生命力信息。当一个新的网页链接被发现以后,他的生命力时间戳信息应该是被发现的时间,表示马上需要被抓取,当一个网页被抓取之后,他的生命力时间戳信息可以被设置为x分钟以后,那么,等到x分钟以后,这个网页就可以根据这个时间戳来判断出,他需要被马上再抓取一次了。一个网页被第二次抓取以后,需要和之前的内容进行对比,如果内容一致,则延长下一次抓取的时间,如设为2x分钟后再抓取,直到达到一个*长度如半年或者三个月(这个数值取决于你爬虫的能力)。如果被更新了,则需要缩短时间,如,x/2分钟之后再抓取法:

1.

下载选择并使用网络工具包;

2.

提交请求,使用get/post的方式提交请求;

3.

使用代理IP,对目标要求的各种必要参数源进行分析

声明声明:本网页内容为用户发布,旨在传播知识,不代表本网认同其观点,若有侵权等问题请及时与本网联系,我们将在第一时间删除处理。E-MAIL:11247931@qq.com