1. webmagic简介
webmagic是一个开源的Java爬虫框架，中文文档：http://webmagic.io/docs/zh。
一个好的框架必然凝聚了领域知识。WebMagic的设计参考了业界最优秀的爬虫Scrapy，而实现则应用了HttpClient、Jsoup等Java世界最成熟的工具，目标就是做一个Java语言Web爬虫的教科书般的实现。
如果你是爬虫开发老手，那么WebMagic会非常容易上手，它几乎使用Java原生的开发方式，只不过提供了一些模块化的约束，封装一些繁琐的操作，并且提供了一些便捷的功能。
如果你是爬虫开发新手，那么使用并了解WebMagic会让你了解爬虫开发的常用模式、工具链、以及一些问题的处理方式。熟练使用之后，相信自己从头开发一个爬虫也不是什么难事。
因为这个目标，WebMagic的核心非常简单——在这里，功能性是要给简单性让步的。
虽然简单，但是完成所有功能，还是要花很多时间的。这里之分析webmagic-core。
2. webmagic架构图
![]()
webmagic有四个组件：Downloader、PageProcessor、Scheduler、Pipline。
三个数据对象：Request、Page、ResultItems。
3. spider的实例
1
2
3
4
5
6
7
8
9
| Spider.create(new XXXProcessor())
.setScheduler(new FileCacheQueueScheduler("D:\\webcrawler_test"))
.addUrl("https://github.com/code4craft").addPipeline(new LinuxidcPipline())
.thread(5)
.run();
|
4. webmagic线程模型
webmagic是典型的生产者消费者模式，spider实现了Runnable接口，作为生产线程，从Scheduler中取出request，提交给线程池CountableThreadPool运行。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
| public void run() {
checkRunningStat();
initComponent();
logger.info("Spider {} started!",getUUID());
while (!Thread.currentThread().isInterrupted() && stat.get() == STAT_RUNNING) {
final Request request = scheduler.poll(this);
if (request == null) {
if (threadPool.getThreadAlive() == 0 && exitWhenComplete) {
break;
}
System.out.println("spider wait");
waitNewUrl();
} else {
threadPool.execute(new Runnable() {
@Override
public void run() {
try {
processRequest(request);
onSuccess(request);
} catch (Exception e) {
onError(request);
logger.error("process request " + request + " error", e);
} finally {
pageCount.incrementAndGet();
signalNewUrl();
}
}
});
}
}
stat.set(STAT_STOPPED);
if (destroyWhenExit) {
close();
}
logger.info("Spider {} closed! {} pages downloaded.", getUUID(), pageCount.get());
}
|
spider的停止逻辑是：第一种情况，队列中没有新的url了，并且线程池中没有正在下载的队列，也就是说不会产生新的url了。如果设置了完成后退出，就会退出。第二种情况，队列中没有新的url了，但线程池还有下载队列，可能产生新的url，就在这里wait。等待线程池中线程下载完后signal。exitWhenComplete控制spider是否爬完就退出，如果不退出，spider会在队列空后等待，然后每隔一段时间唤醒，检查队列是否为空。添加新url也会唤醒。
spider在while循环中不断从队列中获得request，封装成Runnable交给线程池，如果队列很大，会不会封装很多的Runnable，从而造成内存不足呢？答案是不会的，作者封装了一个CountableThreadPool，spider初始化它的实例的时候，设置了一个threadNum，如果线程池满了，spider的生产线程要wait。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
public void execute(final Runnable runnable) {
if (threadAlive.get() >= threadNum) {
System.out.println("进来了");
try {
reentrantLock.lock();
while (threadAlive.get() >= threadNum) {
try {
condition.await();
} catch (InterruptedException e) {
}
}
} finally {
reentrantLock.unlock();
}
}
threadAlive.incrementAndGet();
executorService.execute(new Runnable() {
@Override
public void run() {
try {
runnable.run();
} finally {
try {
reentrantLock.lock();
threadAlive.decrementAndGet();
condition.signal();
} finally {
reentrantLock.unlock();
}
}
}
});
}
|
- 多个线程下载，spider中只有一个downloader实例。查看spider run()中的initComponent()
1
2
3
4
| protected void initComponent() {
if (downloader == null) {
this.downloader = new HttpClientDownloader();
}
|
原因是downloader使用PoolingHttpClientConnectionManager，默认就支持多线程，传入的poolSize就是spider中的threadNum，线程池的大小也是threadNum，所以没有问题。
1
2
3
4
5
6
7
| public HttpClientGenerator setPoolSize(int poolSize) {
connectionManager.setMaxTotal(poolSize);
return this;
}
|
5. webmagic组件
组件没什么可说的，就是各种设计模式。downloader组件封装了Apache HttpClient，考虑了ssl，cookie，redirect。可以借鉴一下。
