摘要：零寫在前面是快速開發爬蟲的工具，簡單便捷，經過大量版本迭代和生產驗證，可以適用大多數網站，歡迎使用。服務最終處理內容，無論成功失敗都會執行的步驟。
零：寫在前面
uncs是java快速開發爬蟲的工具，簡單便捷，經過大量版本迭代和生產驗證，可以適用大多數網站，歡迎使用。
一：基本用法
開發包獲取
目前只能在公司內網maven服務器獲取到
com.cdc
uncs
3.0.0.6
開發單步流程
步驟一
java
package com.cdc.uncs.service.parts;
import com.cdc.uncs.exception.UncsException;
import com.cdc.uncs.model.HttpCrawlInfo;
import com.cdc.uncs.model.TestRequest;
import com.cdc.uncs.model.TestResponse;
import com.cdc.uncs.service.NetCrawlPart;
import com.cdc.uncs.service.TransContext;
public class NetCrawlTestPart extends NetCrawlPart {
@Override
public void beforeCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
String url = "http://www.baidu.com";
crawlInfo.setUrl(url);
}
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
System.out.println(crawlInfo.getHttpCrawlResult());
}
}
步驟二
package com.cdc.uncs.service.parts;
import com.cdc.uncs.exception.UncsException;
import com.cdc.uncs.model.HttpCrawlInfo;
import com.cdc.uncs.model.TestRequest;
import com.cdc.uncs.model.TestResponse;
import com.cdc.uncs.service.NetCrawlPart;
import com.cdc.uncs.service.TransContext;
public class NetCrawlTestPart2 extends NetCrawlPart {
@Override
public void beforeCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
String url = "http://www.hao123.com";
crawlInfo.setUrl(url);
}
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
System.out.println(crawlInfo.getHttpCrawlResult());
}
}
服務配置文件
uncsTestApplicationContext.xml
demo樣例
// ----------------------系統啟動---------------------------
// 用戶自定義的服務配置文件
String xmlTest = "classpath*:uncsTestApplicationContext.xml";
// 啟動uncs的初始化參數 redis:ip、port socks5:ip、port 項目縮寫 http代理 獲取http代理超時時間 代理類型
InitParam param = new InitParam("127.0.0.1", 6379, "ss5.xx.com", 1080, "ct", "http://xxx", 3000, "no");
// 啟動uncs param:啟動參數 xmlTest...:服務配置文件，可以是多個
UncsLancher.startUp(param, xmlTest);
// ----------------------調用服務--------------------------
// 定義上下文，貫穿整個服務
TransContext transContext = TransContext.newInstance(TestRequest.class, TestResponse.class);
// crawlId:單個爬取交易的唯一索引
String crawlId = Long.toString(System.currentTimeMillis());
// type:交易的類型，輔助參數，用戶自定義。例如爬取時可以把類型作為type，可以貫穿整個交易
String type = "xxx";
transContext.setCrawlId(crawlId);
transContext.setType(type);
// 服務名稱，對應配置文件中uncs:crawl標簽的id
String serverName = "testService";
// 開始執行交易
TestResponse response = UncsService.startService(serverName, transContext);
二：源碼url
svn地址：僅供公司內部使用
三：約定
crawlId必輸，貫穿整個服務
流程內的步驟實現類必須繼承相關父類
暫時必須使用redis為框架提供支持，以后會開發不需要redis的單機版本
四：設計思想
基于流程化的爬蟲開發框架，參數動態可配置化，可擴展。能不讓用戶關心的，就不需要用戶去考慮，屏蔽一切可以屏蔽的細節.
五：配置詳解
5.1 crawl交易配置
uncs:crawl標簽
attr：
id:唯一服務名，例:testService
browser:瀏覽器類型，枚舉:Chrome51(chrome瀏覽器),IE9,IE8,FIREFOX,DEFAULT，默認是chrome瀏覽器，設置這個屬性，代碼就不需要設置http header的user-agent了
poolSize:服務運行時線程池大小即這個服務支持的并發大小，如果不設置，則使用公共的線程池
proxyType：代理類型，no-不使用代理 http:使用http代理 socks:socks5代理 default-http:默認的http代理 default-socks:默認的socks代理 （兩個默認的代理類型在初始化參數InitParam設置）
property:
uncs:list--流程列表，服務按順序執行配置的實現類列表,list內支持所有類型的part
uncs:finalPart--流程完成后，不管成功還是失敗，都會執行的步驟
uncs:proxyService--擴展的代理服務，用戶可以自定義bean，來編寫自己的代理服務，當uncs:crawl的attr-proxyType設置為http或socks時，系統會加載這個標簽的代理服務，詳細參考“代理配置及使用”章節
5.2 part
所有模板步驟的父類，空模板，可以自由發揮
步驟：建立java類-->繼承com.cdc.uncs.service.Part-->重寫work方法-->配置文件
當這個步驟可能不需要執行時，重新isPassPart方法，返回true即跳過，所有子類模板都有這個步驟
對應配置文件標簽:uncs:part class--實現類 desc--步驟名稱，不填默認為類名簡寫
5.3 netCrawlPart
網絡爬取步驟模板，用戶使用此模板就不用關心httpclient如何使用了
步驟：建立java類-->繼承com.cdc.uncs.service.NetCrawlPart-->重寫beforeCrawl和afterCrawl方法-->配置文件
beforeCrawl：爬取前組裝http請求參數
設置方法內參數HttpCrawlInfo crawlInfo,來改變請求內容
| 屬性名(-) |
詳細(-) |
| method |
post/get |
| mineType |
img-圖片 json-暫不支持 html-文本 |
| httpParamType |
form-表單 string-純字符串 |
| url |
爬取的url |
| referer |
來源頁 |
| charset |
編碼，默認是utf-8 |
| isRelocal |
是否自動跳轉 |
| params |
表單參數 |
| stringParam |
當httpParamType為string時，才生效 |
| headerParam |
http header參數，支持Map方法和一個一個設置的方法，常用的header支持便捷設置方法，user-agent可以不設置，cookie不需要設置 |
| httpCrawlResult/httpCrawlImgResult |
用于保存返回結果 |
| cookies |
可以手工設置cookie |
| relocalList |
當isRelocal為true時，頁面跳轉流程會在這保存 |
| proxyService |
可以多帶帶某個步驟設置代理 |
| isNetErrThrow |
發生網絡錯誤時，是否拋出異常，默認不拋 |
| isLogResponse |
是否記錄返回日志 |
| e |
真正的異常對象 |
| timeOut |
單步超時時間 |
| isJdkSafe |
是否支持jdk1.7安全策略 |
| tempInfo |
臨時參數，用戶部分http交互參數設置 |
| tempInfo.usedProxy |
但步驟代理策略 |
| tempInfo.responseCode |
http返回碼 |
| tempInfo.proxyParam |
代理服務的參數 |
| tempInfo.httpRetryMaxTimes |
失敗后最大的重試次數 |
| tempInfo.sslVersion |
指定ssl協議版本號 |
| tempInfo.clearCookie |
是否清空cookie |
| tempInfo.poolEntityAliveTime |
http池化，每個鏈接存活時間 |
| tempInfo.poolSize |
http池化，池大小 |
afterCrawl：爬取后解析返回結果
HttpCrawlInfo crawlInfo.getHttpCrawlResult和getHttpCrawlImgResult獲取返回結果
對應配置文件標簽，uncs:netCrawlPart，class--實現類 desc--步驟名稱，不填默認為類名簡寫
示例：
java
package xxx;
import xxx;
/**
* 加載查詢
*/
public class FlowQueryPart extends NetCrawlPart {
@Override
public void beforeCrawl(TransContext context, HttpCrawlInfo crawlInfo, String s, String s1) throws UncsException {
String url = (String) context.getTempParamValue(ParamKey.XXX);
String referer = (String) context.getTempParamValue(ParamKey.REFXXX);
crawlInfo.addAccept("text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
crawlInfo.addAcceptEncoding("gzip, deflate, sdch");
crawlInfo.addAcceptLanguage("zh-CN,zh;q=0.8");
crawlInfo.addConnection("keep-alive");
crawlInfo.addHost("XXX.com");
crawlInfo.addParam("query", "true");
crawlInfo.addParam("q_from_date", (String) context.getTempParamValue(ParamKey.BEGIN_DATE));
crawlInfo.addParam("q_to_date", (String) context.getTempParamValue(ParamKey.END_DATE));
crawlInfo.setCharset(CoreConstant.CHARSET);
crawlInfo.setMineType(MineType.HTML);
crawlInfo.setMethod(HttpMethod.GET);
crawlInfo.setUrl(url);
crawlInfo.setReferer(referer);
context.addTempParam(ParamKey.NEXT_REFERER, url);
}
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String bankCode) throws UncsException {
String result = crawlInfo.getHttpCrawlResult();
if(Strings.isNullOrEmpty(result)) {
throw new SystemUncsException("網頁加載錯誤", ErrorCode.XXX);
}
}
}
5.4 loopPart
循環步驟模板，已經過時的模板，被complexLoopPart復雜循環步驟模板替換，不再維護，可以使用，可能存在一些BUG，只支持單步驟循環
5.5 switchPart
選擇步驟模板，類似java的switch，支持根據不同場景走不同分支步驟
場景舉例：某網站爬取時，需要根據歸屬地省份的不同走不同的分支爬取
配置樣例：
代碼樣例：
package xxxx;
import xxxx;
public class ChooseKeyTestPart extends ChooseKeyPart {
@Override
public boolean isPassPart(TransContext context) {
// 不需要發送網絡請求在這實現
chooseKey("bj");
return true;
}
@Override
public void beforeCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 需要發送網絡請求來判斷的才需要實現
}
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
}
}
5.6 groupRetryPart
組重試步驟，可以實現整個步驟組重試，可設置最大重試次數，是否重試需要用戶根據實際場景調用重試方法。
場景舉例：識別圖片驗證碼成功率不是百分百，當失敗時需要重新識別，重新驗證
配置樣例：
注：重試次數超過最大重試次數時，需要由用戶自行判斷是否需要拋異常，默認不拋異常，流程正常執行
代碼樣例：
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String bankCode) throws UncsException {
String result = crawlInfo.getHttpCrawlResult();
if(Strings.isNullOrEmpty(result)) {
throw new SystemUncsException("網頁加載錯誤", ErrorCode.ERROR_3006);
}
// 校驗結果
try {
CCBBaseUtil.validateResult(result, crawlId, bankCode, this.getName(), log);
} catch (UncsException e) {
String code = e.getCode();
if(ErrorCode.ERROR_0000.equals(code)) {
// 驗證碼錯誤，重試
// 驗證重試次數
if(this.getGroupRetryCurrent(context) < this.getGroupRetryMax(context)) {
// 重試
retry();
}else{
log.log(crawlId, this.getName(), bankCode, "圖片驗證碼超過最大重試次數");
throw new SystemUncsException("圖片驗證碼錯誤次數超限，請重試，并檢查", ErrorCode.ERROR_2002);
}
} else {
throw e;
}
}
}
5.7 complexLoopPart
復雜循環步驟模板，類似java的循環，即支持for循環也支持while循環，默認是for循環，支持任何模板套用。
新增支持循環橫向并發
場景舉例：
for循環，爬取某網站數據時，按月份循環爬取為第一層循環，每個月類型的分頁為第二層循環
while循環，同for循環，區別在于銀行的分支只有下一頁，不知道總頁數
配置樣例：
代碼樣例:
@Override
public void beforeCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 獲取當前循環次數
this.getComplexLoopCurrent(context);
getCookieValue(crawlId, "BAIDUID");
String url = "http://www.baidu.com";
crawlInfo.setUrl(url);
}
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 設置循環最大數次
this.setComplexLoopMax(context, 5);
System.out.println(crawlInfo.getHttpCrawlResult());
}
注：循環內部支持套用任何模板，但是只有循環內所屬步驟才能操作循環的屬性（最大頁數、當前頁數），循環內循環的步驟無法跨級操作。
5.8 finalPart
服務最終處理內容，無論成功失敗都會執行的步驟。
場景舉例：爬取某網站后，為防止對登錄狀態進行判斷，需要在結束后退出登錄
配置樣例：
六：斷點
uncs支持程序斷點，即支持臨時中斷正在運行的服務，滿足某種場景時，可以重新啟動服務，服務會從中斷的步驟繼續執行。
場景舉例：爬取某網站時，有時需要用戶輸入短信，此時需要人為參與，程序必須中斷，等用戶輸入短信后才可以繼續執行
代碼示例:
中斷代碼
@Override
public void afterCrawl(TransContext context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 中斷一下
this.pauseNeedMsg();
System.out.println(crawlInfo.getHttpCrawlResult());
}
重新啟動服務
// 重新啟動服務
String msgCode = "123456";
TestResponse response1 = UncsService.restartService(crawlId, msgCode, null, TestResponse.class);
七：代理配置及使用
uncs支持http代理和socks5代理，支持用戶自定義代理獲取方式，也支持使用系統提供的代理方式，強擴展性。
代理配置方式一：
代理配置方式二：
package com.cdc.uncs.http.impl;
import com.cdc.uncs.http.IHttpProxy;
import com.cdc.uncs.http.ISocksProxy;
import com.cdc.uncs.util.HttpGreenHelper;
import org.apache.http.HttpHost;
import java.util.HashMap;
import java.util.Map;
/**
* 默認http代理
*/
public class TestHttpProxy extends IHttpProxy {
private String ip;
private Object testxxxxx;
public TestHttpProxy() {
}
/**
* 獲取crawlId
*
* @param cid 唯一標識
* @param type 類型
* @param logServerName 日志標識
* @return
*/
@Override
public HttpHost getProxy(String cid, String type, String logServerName) {
return new HttpHost(ip, 8888);
}
public String getIp() {
return ip;
}
public void setIp(String ip) {
this.ip = ip;
}
public Object getTestxxxxx() {
return testxxxxx;
}
public void setTestxxxxx(Object testxxxxx) {
this.testxxxxx = testxxxxx;
}
}
代理配置方式三：可以在某個步驟多帶帶使用代理，參考《五-5.2 netCrawlPart》
八：日志配置及使用
uncs使用固定日志名，分為標準日志和uncs日志，標準日志是日志搜索系統要求的格式輸出，可以忽略，uncs日志表示業務日志
logback:
${log.base}/uncs%d{yyyy-MM-dd}.log
${log.base}/uncs.log.%d{yyyy-MM-dd}.log
[%level] %date [%thread] - %msg%n
${log.base}/flow_standard%d{yyyy-MM-dd}.log
${log.base}/flow_standard%d{yyyy-MM-dd}.log
%date{"yyyy-MM-dd,HH:mm:ss,SSS"}||%msg%n
九：異步化
提供異步化服務
// 異步啟動服務
UncsService.ayncStartService
// 獲取當前服務狀態
UncsService.getResponse
十：版本升級歷史
詳見《uncs提交歷史.md》
當前最新版本3.0.0.6
十一：未來猜想
優化代碼質量，完善http初始化部分代碼(優化完畢)及cookie處理部分代碼（完成）
讓part持有context，這樣部分方法不再需要context參數（完成）
提供快速生成代碼工具
提供可視化工具，隨時查看某個crawlId對應的狀態
集成各大優秀的爬蟲框架，形成對應模板
提供單機模式，可以選擇不使用redis，本地存儲
提供并發步驟模板，用于提高速度（完成）
十二：fiddler使用說明
1、升級版本到2.3.0.1-SNAPSHOT以上
2、vm參數-Duncs.useFidder=1
3、fiddler配置 tools->fiddler options->https->actions->export root certificate to ...
4、binkeytool.exe -import -file C:UsersDesktopFiddlerRoot.cer -keystore FiddlerKeystore -alias Fiddler
作者：劉鵬飛 宜信技術學院
