Java中的多线程及分布式爬虫架构的原理

Java中的多线程及分布式爬虫架构的原理

本篇内容介绍了“Java中的多线程及分布式爬虫架构的原理”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

前面几章内容我们的爬虫程序都是单线程，在我们调试爬虫程序的时候，单线程爬虫没什么问题，但是当我们在线上环境使用单线程爬虫程序去采集网页时，单线程就暴露出了两个致命的问题：

• 采集效率特别慢，单线程之间都是串行的，下一个执行动作需要等上一个执行完才能执行

• 对服务器的CUP等利用率不高，想想我们的服务器都是 8核16G，32G 的只跑一个线程会不会太浪费啦

线上环境不可能像我们本地测试一样，不在乎采集效率，只要能正确提取结果就行。在这个时间就是金钱的年代，不可能给你时间去慢慢的采集，所以单线程爬虫程序是行不通的，我们需要将单线程改成多线程的模式，来提升采集效率和提高计算机利用率。

多线程的爬虫程序设计比单线程就要复杂很多，但是与其他业务在高并发下要保证数据安全又不同，多线程爬虫在数据安全上到要求不是那么的高，因为每个页面都可以被看作是一个独立体。要做好多线程爬虫就必须做好两点：第一点就是统一的待采集 URL 维护，第二点就是 URL 的去重， 下面我们简单的来聊一聊这两点。

维护待采集的 URL

多线程爬虫程序就不能像单线程那样，每个线程独自维护这自己的待采集 URL，如果这样的话，那么每个线程采集的网页将是一样的，你这就不是多线程采集啦，你这是将一个页面采集的多次。基于这个原因我们就需要将待采集的 URL 统一维护，每个线程从统一 URL 维护处领取采集 URL ，完成采集任务，如果在页面上发现新的 URL 链接则添加到 统一 URL 维护的容器中。下面是几种适合用作统一 URL 维护的容器：

• JDK 的安全队列，例如 LinkedBlockingQueue

• 高性能的 NoSQL，比如 Redis、Mongodb

• MQ 消息中间件

URL 的去重

URL 的去重也是多线程采集的关键一步，因为如果不去重的话，那么我们将采集到大量重复的 URL，这样并没有提升我们的采集效率，比如一个分页的新闻列表，我们在采集第一页的时候可以得到 2、3、4、5 页的链接，在采集第二页的时候又会得到 1、3、4、5 页的链接，待采集的 URL 队列中将存在大量的列表页链接，这样就会重复采集甚至进入到一个死循环当中，所以就需要 URL 去重。URL 去重的方法就非常多啦，下面是几种常用的 URL 去重方式：

• 将 URL 保存到数据库进行去重，比如 redis、MongoDB

• 将 URL 放到哈希表中去重，例如 hashset

• 将 URL 经过 MD5 之后保存到哈希表中去重，相比于上面一种，能够节约空间

• 使用 布隆过滤器（Bloom Filter）去重，这种方式能够节约大量的空间，就是不那么准确。

关于多线程爬虫的两个核心知识点我们都知道啦，下面我画了一个简单的多线程爬虫架构图，如下图所示：

上面我们主要了解了多线程爬虫的架构设计，接下来我们不妨来试试 Java 多线程爬虫，我们以采集虎扑新闻为例来实战一下 Java 多线程爬虫，Java 多线程爬虫中设计到了 待采集 URL 的维护和 URL 去重，由于我们这里只是演示，所以我们就使用 JDK 内置的容器来完成，我们使用 LinkedBlockingQueue 作为待采集 URL 维护容器，HashSet 作为 URL 去重容器。下面是 Java 多线程爬虫核心代码，详细代码以上传 GitHub，地址在文末：

/**   * 多线程爬虫   */  public class ThreadCrawler implements Runnable {    // 采集的文章数    private final AtomicLong pageCount = new AtomicLong(0);    // 列表页链接正则表达式    public static final String URL_LIST = "https://voice.hupu.com/nba";    protected Logger logger = LoggerFactory.getLogger(getClass());    // 待采集的队列    LinkedBlockingQueue<String> taskQueue;    // 采集过的链接列表    HashSet<String> visited;    // 线程池    CountableThreadPool threadPool;    /**     *     * @param url 起始页     * @param threadNum 线程数     * @throws InterruptedException     */    public ThreadCrawler(String url, int threadNum) throws InterruptedException {      this.taskQueue = new LinkedBlockingQueue<>();      this.threadPool = new CountableThreadPool(threadNum);      this.visited = new HashSet<>();      // 将起始页添加到待采集队列中      this.taskQueue.put(url);    }      @Override    public void run() {      logger.info("Spider started!");      while (!Thread.currentThread().isInterrupted()) {        // 从队列中获取待采集 URL        final String request = taskQueue.poll();        // 如果获取 request 为空，并且当前的线程采已经没有线程在运行        if (request == null) {          if (threadPool.getThreadAlive() == 0) {            break;          }        } else {          // 执行采集任务          threadPool.execute(new Runnable() {            @Override            public void run() {              try {                processRequest(request);              } catch (Exception e) {                logger.error("process request " + request + " error", e);              } finally {                // 采集页面 +1                pageCount.incrementAndGet();              }            }          });        }      }      threadPool.shutdown();      logger.info("Spider closed! {} pages downloaded.", pageCount.get());    }      /**     * 处理采集请求     * @param url     */    protected void processRequest(String url) {      // 判断是否为列表页      if (url.matches(URL_LIST)) {        // 列表页解析出详情页链接添加到待采集URL队列中        processTaskQueue(url);      } else {        // 解析网页        processPage(url);      }    }    /**     * 处理链接采集     * 处理列表页，将 url 添加到队列中     *     * @param url     */    protected void processTaskQueue(String url) {      try {        Document doc = Jsoup.connect(url).get();        // 详情页链接        Elements elements = doc.select(" div.news-list > ul > li > div.list-hd > h5 > a");        elements.stream().forEach((element -> {          String request = element.attr("href");          // 判断该链接是否存在队列或者已采集的 set 中，不存在则添加到队列中          if (!visited.contains(request) && !taskQueue.contains(request)) {            try {              taskQueue.put(request);            } catch (InterruptedException e) {              e.printStackTrace();            }          }        }));        // 列表页链接        Elements list_urls = doc.select("div.voice-paging > a");        list_urls.stream().forEach((element -> {          String request = element.absUrl("href");          // 判断是否符合要提取的列表链接要求          if (request.matches(URL_LIST)) {            // 判断该链接是否存在队列或者已采集的 set 中，不存在则添加到队列中            if (!visited.contains(request) && !taskQueue.contains(request)) {              try {                taskQueue.put(request);              } catch (InterruptedException e) {                e.printStackTrace();              }            }          }        }));        } catch (Exception e) {        e.printStackTrace();      }    }    /**     * 解析页面     *     * @param url     */    protected void processPage(String url) {      try {        Document doc = Jsoup.connect(url).get();        String title = doc.select("body > div.hp-wrap > div.voice-main > div.artical-title > h2").first().ownText();          System.out.println(Thread.currentThread().getName() + " 在 " + new Date() + " 采集了虎扑新闻 " + title);        // 将采集完的 url 存入到已经采集的 set 中        visited.add(url);        } catch (IOException e) {        e.printStackTrace();      }    }      public static void main(String[] args) {        try {        new ThreadCrawler("https://voice.hupu.com/nba", 5).run();      } catch (InterruptedException e) {        e.printStackTrace();      }    }  }

我们用 5 个线程去采集虎扑新闻列表页看看效果如果？运行该程序，得到如下结果：

多线程采集结果

结果中可以看出，我们启动了 5 个线程采集了 61 页页面，一共耗时 2 秒钟，可以说效果还是不错的，我们来跟单线程对比一下，看看差距有多大？我们将线程数设置为 1 ，再次启动程序，得到如下结果：

单线程运行结果

可以看出单线程采集虎扑 61 条新闻花费了 7 秒钟，耗时差不多是多线程的 4 倍，你想想这可只是 61 个页面，页面更多的话，差距会越来越大，所以多线程爬虫效率还是非常高的。

“Java中的多线程及分布式爬虫架构的原理”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注高防服务器网网站，小编将为大家输出更多高质量的实用文章！

[微信提示：高防服务器能助您降低 IT 成本，提升运维效率，使您更专注于核心业务创新。

[图文来源于网络，不代表本站立场，如有侵权，请联系高防服务器网删除]
[