CrawlerSQL 设计

目标

首先CrawlerSQL会包含两个服务:

调度服务,比如每个url的抓取周期。
抓取服务:调度会给url,抓取服务负责实际的抓取

在StreamingPro里,我们仅仅会实现抓取服务,也就是写一段SQL脚本。至于每个脚本什么时候执行是调度服务的事情,这里我们需要区分开来。而且调度也算是一件非常复杂的事情。

我希望尽可能复用MLSQL的语法格式,尽量不添加新的SQL语法。实际上经过基本的尝试,发现是完全可以做到的。

抽象

我这里简单的把抓取分成两个类型:

  1. url列表抓取,也就是通常我们说的入口页,比如博客首页通常都是一堆文章列表。
  2. 内容抓取,也就是要把标题,时间,内容扣取出来。

每个入口页,在我看来都是一张表,里面有两个字段: url,root_url。 url 就是入口也里的内容的url,root_url则是入口页的url地址。

具体语法如下:

load crawlersql.`https://www.csdn.net/nav/ai` 
options matchXPath="//ul[@id='feedlist_id']//div[@class='title']//a/@href" 
and fetchType="list"
as aritle_url_table_source;

内容详情的抓取,在我看来,用UDF就足够了,我提供了三个方法:

crawler_auto_extract_title
crawler_auto_extract_body
crawler_extract_xpath

标题和正文一般可以做到自动抽取。其他比如时间,作者等则需要通过xpath抽取。

这里举一个例子:

select 
crawler_auto_extract_title(html) as title,
crawler_auto_extract_body(html) as body,
crawler_extract_xpath(html,"//main/article//span[@class='time']") as created_time
from aritle_list 
where html is not null
as article_table;

当然上面都是形式上的,一个爬虫真正要解决的问题有比如:

  1. IP 代理池,黑白名单。
  2. 异步加载网页的抓取
  3. 登录/验证码
  4. 动态更新周期
  5. 去重url等

现阶段重点还是考量语法层面的东西。

资源

目前我实现了一个探索版的,可参看这里: streamingpro-crawler,具体的案例有:


set tempStore="/tmp/streamingpro_crawler"

-- 抓取列表页的url
load crawlersql.`https://www.csdn.net/nav/ai` 
options matchXPath="//ul[@id='feedlist_id']//div[@class='title']//a/@href" 
and fetchType="list"
as aritle_url_table_source;

-- 抓取的url去重
select url,first(root_url) as root_url from aritle_url_table_source
group by url 
as aritle_url_table;

-- 获得历史已经抓取的url
load parquet.`${tempStore}`
as aritcle_url_history;

-- 排除掉已经抓去过的url

select aut.url as url ,aut.root_url as root_url from aritle_url_table aut  
left join aritcle_url_history auh  
on aut.url=auh.url 
where auh.url is null
as filter_aritle_url_table;

-- 抓取全文,并且存储
select crawler_request(regexp_replace(url,"http://","https://"))  as html 
from filter_aritle_url_table 
where url is not null
as aritle_list;
save overwrite aritle_list as parquet.`/tmp/streamingpro_crawler_content`;

-- 对内容进行解析
load parquet.`/tmp/streamingpro_crawler_content` as aritle_list;
select 
crawler_auto_extract_title(html) as title,
crawler_auto_extract_body(html) as body,
crawler_extract_xpath(html,"//main/article//span[@class='time']") as created_time
from aritle_list 
where html is not null
as article_table;

-- 对最后的抓取结果进行保存
save overwrite article_table as json.`/tmp/article_table`;

-- 已经抓取过的url也需要进行增量存储,方便后续过滤
save append filter_aritle_url_table as parquet.`${tempStore}`;

运行时,需要先保证/tmp/streamingpro_crawler 不能为空,你可以通过下面脚本初始化:

select "" as url ,"" as root_url 
as em;
save overwrite em parquet.`/tmp/streamingpro_crawler`

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 117,137评论 15 132
  • · 今天受到船长的邀请去Johanna家参加满月派对。 冲着对跳舞和未知的诱惑,潜在的帅哥(哈哈),我和我妈出发了...
    项皎阅读 40评论 0 0
  • “蝉噪林逾静,鸟鸣山更幽”,当我们徒步户外,踏青山林时,耳畔常响起阵阵鸟鸣,心情越发舒缓美好。 我一直认为,鸟儿在...
    保安的增强回路阅读 79评论 0 0
  • 2017年11月21日,晴,星期二 今天给日记来个升级,我跟长硕共同完成,有文有图,有些拙,有些地方期待更新!
    泰硕麻麻阅读 168评论 0 2