Java爬虫快速开发工具：uncs
零：写在前面
uncs是java快速开发爬虫的工具，简单便捷，经过大量版本迭代和生产验证，可以适用大多数网站，欢迎使用。
一：基本用法
开发包获取 目前只能在公司内网maven服务器获取到
<dependency>
<groupId>com.cdc</groupId>
<artifactId>uncs</artifactId>
<version>3.0.0.6</version>
</dependency>
开发单步流程
步骤一
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<TestRequest, TestResponse> {
@Override
public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
String url = "http://www.baidu.com";
crawlInfo.setUrl(url);
}
@Override
public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
System.out.println(crawlInfo.getHttpCrawlResult());
}
}
步骤二
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<TestRequest, TestResponse> {
@Override
public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
String url = "http://www.hao123.com";
crawlInfo.setUrl(url);
}
@Override
public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String type) throws UncsException {
System.out.println(crawlInfo.getHttpCrawlResult());
}
}
服务配置文件
uncsTestApplicationContext.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://www.springframework.org/schema/beans http://www.springframework.org/schema/beans/spring-beans.xsd
http://uncs.cdc.com/schema/uncs http://uncs.cdc.com/schema/uncs/springuncs.xsd"
xmlns:uncs="http://uncs.cdc.com/schema/uncs"
default-autowire="byName">
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="登陆"/>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="获取"/>
</uncs:list>
</uncs:crawl>
</beans>
demo样例
// ----------------------系统启动---------------------------
// 用户自定义的服务配置文件
String xmlTest = "classpath*:uncsTestApplicationContext.xml";
// 启动uncs的初始化参数 redis:ip、port socks5:ip、port 项目缩写 http代理 获取http代理超时时间 代理类型
InitParam param = new InitParam("127.0.0.1", 6379, "ss5.xx.com", 1080, "ct", "http://xxx", 3000, "no");
// 启动uncs param:启动参数 xmlTest...:服务配置文件，可以是多个
UncsLancher.startUp(param, xmlTest);
// ----------------------调用服务--------------------------
// 定义上下文，贯穿整个服务
TransContext<TestRequest, TestResponse> transContext = TransContext.newInstance(TestRequest.class, TestResponse.class);
// crawlId:单个爬取交易的唯一索引
String crawlId = Long.toString(System.currentTimeMillis());
// type:交易的类型，辅助参数，用户自定义。例如爬取时可以把类型作为type，可以贯穿整个交易
String type = "xxx";
transContext.setCrawlId(crawlId);
transContext.setType(type);
// 服务名称，对应配置文件中uncs:crawl标签的id
String serverName = "testService";
// 开始执行交易
TestResponse response = UncsService.startService(serverName, transContext);
二：源码url
svn地址：仅供公司内部使用
三：约定
crawlId必输，贯穿整个服务
流程内的步骤实现类必须继承相关父类
暂时必须使用redis为框架提供支持，以后会开发不需要redis的单机版本
四：设计思想
基于流程化的爬虫开发框架，参数动态可配置化，可扩展。能不让用户关心的，就不需要用户去考虑，屏蔽一切可以屏蔽的细节.
五：配置详解
5.1 crawl交易配置
uncs:crawl标签
attr：
id:唯一服务名，例:testService
browser:浏览器类型，枚举:Chrome51(chrome浏览器),IE9,IE8,FIREFOX,DEFAULT，默认是chrome浏览器，设置这个属性，代码就不需要设置http header的user-agent了
poolSize:服务运行时线程池大小即这个服务支持的并发大小，如果不设置，则使用公共的线程池
proxyType：代理类型，no-不使用代理 http:使用http代理 socks:socks5代理 default- http:默认的http代理 default-socks:默认的socks代理 （两个默认的代理类型在初始化参数InitParam设置）
property:
uncs:list--流程列表，服务按顺序执行配置的实现类列表,list内支持所有类型的part
uncs:finalPart--流程完成后，不管成功还是失败，都会执行的步骤
uncs:proxyService--扩展的代理服务，用户可以自定义bean，来编写自己的代理服务，当uncs:crawl的attr-proxyType设置为http或socks时，系统会加载这个标签的代理服务，详细参考“代理配置及使用”章节
5.2 part
所有模板步骤的父类，空模板，可以自由发挥
步骤：建立java类-->继承com.cdc.uncs.service.Part-->重写work方法-->配置文件
当这个步骤可能不需要执行时，重新isPassPart方法，返回true即跳过，所有子类模板都有这个步骤
对应配置文件标签:uncs:part class--实现类 desc--步骤名称，不填默认为类名简写
5.3 netCrawlPart
网络爬取步骤模板，用户使用此模板就不用关心httpclient如何使用了
步骤：建立java类-->继承com.cdc.uncs.service.NetCrawlPart-->重写beforeCrawl和afterCrawl方法-->配置文件 beforeCrawl：爬取前组装http请求参数
设置方法内参数HttpCrawlInfo crawlInfo,来改变请求内容
属性名(-) 详细(-)
method
post/get
mineType
img-图片 json-暂不支持 html-文本
httpParamType
form-表单 string-纯字符串
url
爬取的url
referer
来源页
charset
编码，默认是utf-8
isRelocal
是否自动跳转
params
表单参数
stringParam
当httpParamType为string时，才生效
headerParam
http header参数，支持Map方法和一个一个设置的方法，常用的header支持便捷设置方法，user-agent可以不设置，cookie不需要设置
httpCrawlResult/httpCrawlImgResult
用于保存返回结果
cookies
可以手工设置cookie
relocalList
当isRelocal为true时，页面跳转流程会在这保存
proxyService
可以单独某个步骤设置代理
isNetErrThrow
发生网络错误时，是否抛出异常，默认不抛
isLogResponse
是否记录返回日志
e
真正的异常对象
timeOut
单步超时时间
isJdkSafe
是否支持jdk1.7安全策略
tempInfo
临时参数，用户部分http交互参数设置
tempInfo.usedProxy
但步骤代理策略
tempInfo.responseCode
http返回码
tempInfo.proxyParam
代理服务的参数
tempInfo.httpRetryMaxTimes
失败后最大的重试次数
tempInfo.sslVersion
指定ssl协议版本号
tempInfo.clearCookie
是否清空cookie
tempInfo.poolEntityAliveTime
http池化，每个链接存活时间
tempInfo.poolSize
http池化，池大小
afterCrawl：爬取后解析返回结果
HttpCrawlInfo crawlInfo.getHttpCrawlResult和getHttpCrawlImgResult获取返回结果
对应配置文件标签，uncs:netCrawlPart，class--实现类 desc--步骤名称，不填默认为类名简写 示例：
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="网络爬取测试步骤"/>
</uncs:list>
</uncs:crawl>
java
package xxx;
import xxx;
/**
- 加载查询
*/
public class FlowQueryPart extends NetCrawlPart<FlowGetterRequest, FlowGetterResponse> {
@Override
public void beforeCrawl(TransContext<FlowGetterRequest, FlowGetterResponse> 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<FlowGetterRequest, FlowGetterResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String bankCode) throws UncsException {
String result = crawlInfo.getHttpCrawlResult();
if(Strings.isNullOrEmpty(result)) {
throw new SystemUncsException("网页加载错误", ErrorCode.XXX);
}
}
}
5.4 loopPart
循环步骤模板，已经过时的模板，被complexLoopPart复杂循环步骤模板替换，不再维护，可以使用，可能存在一些BUG，只支持单步骤循环
5.5 switchPart
选择步骤模板，类似java的switch，支持根据不同场景走不同分支步骤 场景举例：某网站爬取时，需要根据归属地省份的不同走不同的分支爬取 配置样例：
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no">
<uncs:list>
<!-- choosePartClass必须继承com.cdc.uncs.service.ChooseKeyPart -->
<uncs:switchPart choosePartClass="com.cdc.uncs.service.parts.ChooseKeyTestPart" choosePartDesc="选择key测试步骤">
<uncs:entity key="bj">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="北京"/>
</uncs:list>
</uncs:entity>
<uncs:entity key="sh">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="上海"/>
</uncs:list>
</uncs:entity>
</uncs:switchPart>
</uncs:list>
</uncs:crawl>
代码样例：
package xxxx;
import xxxx;
public class ChooseKeyTestPart extends ChooseKeyPart<TestRequest, TestResponse> {
@Override
public boolean isPassPart(TransContext<TestRequest, TestResponse> context) {
// 不需要发送网络请求在这实现
chooseKey("bj");
return true;
}
@Override
public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 需要发送网络请求来判断的才需要实现
}
@Override
public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
}
}
5.6 groupRetryPart
组重试步骤，可以实现整个步骤组重试，可设置最大重试次数，是否重试需要用户根据实际场景调用重试方法。 场景举例：识别图片验证码成功率不是百分百，当失败时需要重新识别，重新验证 配置样例：
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no">
<uncs:list>
<!-- betweenMillis重试间隔时间（毫秒） maxRetryTimes最大重试次数 -->
<uncs:groupRetryPart betweenMillis="10" maxRetryTimes="5">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="网络爬取测试步骤"/>
</uncs:list>
</uncs:groupRetryPart>
</uncs:list>
</uncs:crawl>
注：重试次数超过最大重试次数时，需要由用户自行判断是否需要抛异常，默认不抛异常，流程正常执行 代码样例：
@Override
public void afterCrawl(TransContext<FlowGetterRequest, FlowGetterResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String bankCode) throws UncsException {
String result = crawlInfo.getHttpCrawlResult();
if(Strings.isNullOrEmpty(result)) {
throw new SystemUncsException("网页加载错误", ErrorCode.ERROR_3006);
}
// 校验结果
try {
CCBBaseUtil.validateResult(result, crawlId, bankCode, this.getName(), log);
} catch (UncsException e) {
String code = e.getCode();
if(ErrorCode.ERROR_0000.equals(code)) {
// 验证码错误，重试
// 验证重试次数
if(this.getGroupRetryCurrent(context) < this.getGroupRetryMax(context)) {
// 重试
retry();
}else{
log.log(crawlId, this.getName(), bankCode, "图片验证码超过最大重试次数");
throw new SystemUncsException("图片验证码错误次数超限，请重试，并检查", ErrorCode.ERROR_2002);
}
} else {
throw e;
}
}
}
5.7 complexLoopPart
复杂循环步骤模板，类似java的循环，即支持for循环也支持while循环，默认是for循环，支持任何模板套用。 新增支持循环横向并发 场景举例： for循环，爬取某网站数据时，按月份循环爬取为第一层循环，每个月类型的分页为第二层循环 while循环，同for循环，区别在于银行的分支只有下一页，不知道总页数 配置样例：
<!-- loopType 循环类型 for/while 不填默认for preClass前置处理类，必须继承com.cdc.uncs.service.LoopPrePart，一般用做查询和设置最大循环次数，当然也可以在内部步骤内设置 isAsyn是否并发 asynThreadCount并发最大线程数 -->
<uncs:complexLoopPart loopType="for" preClass="" preDesc="" isAsyn="false" asynThreadCount="5">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="复杂循环步骤"/>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="复杂循环步骤2"/>
</uncs:list>
</uncs:complexLoopPart>
代码样例:
@Override
public void beforeCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 获取当前循环次数
this.getComplexLoopCurrent(context);
getCookieValue(crawlId, "BAIDUID");
String url = "http://www.baidu.com";
crawlInfo.setUrl(url);
}
@Override
public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 设置循环最大数次
this.setComplexLoopMax(context, 5);
System.out.println(crawlInfo.getHttpCrawlResult());
}
注：循环内部支持套用任何模板，但是只有循环内所属步骤才能操作循环的属性（最大页数、当前页数），循环内循环的步骤无法跨级操作。
5.8 finalPart
服务最终处理内容，无论成功失败都会执行的步骤。 场景举例：爬取某网站后，为防止对登录状态进行判断，需要在结束后退出登录 配置样例：
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="no">
<uncs:list>
<uncs:complexLoopPart loopType="for" preClass="" preDesc="">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="复杂循环步骤"/>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart2" desc="复杂循环步骤2"/>
</uncs:list>
</uncs:complexLoopPart>
</uncs:list>
<uncs:finalPart>
<uncs:part class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="退出"/>
</uncs:finalPart>
</uncs:crawl>
六：断点
uncs支持程序断点，即支持临时中断正在运行的服务，满足某种场景时，可以重新启动服务，服务会从中断的步骤继续执行。 场景举例：爬取某网站时，有时需要用户输入短信，此时需要人为参与，程序必须中断，等用户输入短信后才可以继续执行 代码示例: 中断代码
@Override
public void afterCrawl(TransContext<TestRequest, TestResponse> context, HttpCrawlInfo crawlInfo, String crawlId, String mobileType) throws UncsException {
// 中断一下
this.pauseNeedMsg();
System.out.println(crawlInfo.getHttpCrawlResult());
}
重新启动服务
// 重新启动服务
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，支持用户自定义代理获取方式，也支持使用系统提供的代理方式，强扩展性。 代理配置方式一：
<!-- 默认的http代理 -->
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="default-http">
<!-- 默认的socks代理 -->
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="default-socks">
<!-- 系统启动时，设置默认的两种代理方式及全局代理方式
InitParam param = new InitParam("127.0.0.1", 6379, "ss5.xxx", 1080, "ct", "http://xxxx", 3000, "no");-->
代理配置方式二：
<uncs:crawl id="testService" browser="Chrome51" poolSize="5" proxyType="http">
<uncs:list>
<uncs:netCrawlPart class="com.cdc.uncs.service.parts.NetCrawlTestPart" desc="步骤"/>
</uncs:list>
<!-- 实现类必须继承对应的类 com.cdc.uncs.http.IHttpProxy或com.cdc.uncs.http.ISocksProxy -->
<uncs:proxyService class="com.cdc.uncs.http.impl.TestHttpProxy">
<uncs:property name="ip" value="127.0.0.1"/>
<uncs:property name="testxxxxx" value=""/>
</uncs:proxyService>
</uncs:crawl>
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;
/**
- 默认http代理
*/
public class TestHttpProxy extends IHttpProxy {
private String ip;
private Object testxxxxx;
public TestHttpProxy() {
}
/**
* 获取crawlId
*
* @param cid 唯一标识
* @param type 类型
* @param logServerName 日志标识
* @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：可以在某个步骤单独使用代理，参考《五-5.2 netCrawlPart》
八：日志配置及使用
uncs使用固定日志名，分为标准日志和uncs日志，标准日志是日志搜索系统要求的格式输出，可以忽略，uncs日志表示业务日志 logback:
<property name="log.base" value="D:/log/uncslog" />
<appender name="uncslog" class="ch.qos.logback.core.rolling.RollingFileAppender">
<fileNamePattern>${log.base}/uncs%d{yyyy-MM-dd}.log</fileNamePattern>
<rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy">
<FileNamePattern>
${log.base}/uncs.log.%d{yyyy-MM-dd}.log
</FileNamePattern>
</rollingPolicy>
<layout class="ch.qos.logback.classic.PatternLayout">
<pattern>[%level] %date [%thread] - %msg%n</pattern>
</layout>
</appender>
<appender name="standardlog" class="ch.qos.logback.core.rolling.RollingFileAppender">
<fileNamePattern>${log.base}/flow_standard%d{yyyy-MM-dd}.log</fileNamePattern>
<rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy">
<FileNamePattern>
${log.base}/flow_standard%d{yyyy-MM-dd}.log
</FileNamePattern>
</rollingPolicy>
<layout class="ch.qos.logback.classic.PatternLayout">
<pattern>%date{"yyyy-MM-dd,HH:mm:ss,SSS"}||%msg%n</pattern>
</layout>
</appender>
<!-- 标准日志 -->
<logger name="standard" additivity="false">
<level value="DEBUG" /> <appender-ref ref="standardlog" />
</logger>
<logger name="com.cdc.uncs" additivity="false">
<level value="DEBUG" /> <appender-ref ref="uncslog" />
</logger>
九：异步化
提供异步化服务
// 异步启动服务
UncsService.ayncStartService
// 获取当前服务状态
UncsService.getResponse
十：版本升级历史
详见《uncs提交历史.md》 当前最新版本3.0.0.6
十一：未来猜想
优化代码质量，完善http初始化部分代码(优化完毕)及cookie处理部分代码（完成）
让part持有context，这样部分方法不再需要context参数（完成）
提供快速生成代码工具
提供可视化工具，随时查看某个crawlId对应的状态
集成各大优秀的爬虫框架，形成对应模板
提供单机模式，可以选择不使用redis，本地存储
提供并发步骤模板，用于提高速度（完成）
十二：fiddler使用说明
1、升级版本到2.3.0.1-SNAPSHOT以上
2、vm参数-Duncs.useFidder=1
3、fiddler配置 tools->fiddler options->https->actions->export root certificate to ...
4、binkeytool.exe -import -file C:Users<Username>DesktopFiddlerRoot.cer -keystore FiddlerKeystore -alias Fiddler
作者：刘鹏飞 宜信技术学院官网： http://college.creditease.cn/...
正文到此结束
- 本文标签： 索引 spring 服务器 SVN cat IDE XML 开发 DDL ORM CST 升级版本 质量 线程 redis json 参数 core bean cookies 并发 root maven 银行 数据 解析 分页 entity constant HashMap Logback web 源码 tar UI HTML REST client Service Keep-Alive retry apache classpath 配置 App Chrome schema Action bug Agent wget 测试 js map 时间 list Connection Property id Proxy zip 协议 https 安全 代码 value Java类 线程池 IO equals java ssl ip 网站 CSS key final http 图片
- 版权声明： 本文为互联网转载文章，出处已在文章中说明(部分除外)。如果侵权，请联系本站长删除，谢谢。
- 本文海报： 生成海报一 生成海报二
热门推荐
相关文章
近期评论
-
你这基本没有更新呀，最近文章显示还是2019年的文章。不符合要求哈
-
关键词：慕云博客 链接：https://www.lilun.me 描述：分享原创文字的个人博客
-
-
-
可以提供一下源码吗
-
不是商业站，鸡娃学习笔记
-
-
-
-
听他们说很厉害的样子
Loading...
![[HBLOG]公众号](http://www.liuhaihua.cn/img/qrcode_gzh.jpg)
