记一次企业级爬虫系统升级改造（二）：基于AngleSharp实现的抓取服务

　　爬虫系统升级改造正式启动：

　　　　在第一篇文章，博主主要介绍了本次改造的爬虫系统的业务背景与全局规划构思：

　　　　未来Support云系统，不仅仅是爬虫系统，是集爬取数据、数据建模处理统计分析、支持全文检索资源库、其他业务部门和公司资讯系统重要数据来源、辅助决策等功能于一身的企业级Support系统。

　　　　介于好多园友对博主的任务排期表感兴趣，便介绍一下博主当时针对这个系统做的工作任务排期概要（排期表就是更加详细细分外加估算工时的一份excel表格，就不贴出来了）：

　　　　　　1.总分四大阶段，逐步上线，最终达到预期规划

　　　　　　2.第一阶段实现一个新的采集系统，自动实时化爬取数据、初步规则引擎实现数据规则化、统计邮件自动推送、开放数据检索，并上线替换原有爬虫系统

　　　　　　3.第二阶段实现规则化引擎升级，扩展成长式规则引擎，并开放采集源提交、管理、规则配置、基础数据服务等基本系统操作

　　　　　　4.第三阶段引入全文检索，针对规则化数据创建索引，提供数据全文搜索功能，开放工单申请，可定制数据报告

　　　　　　5.第四阶段引入数据报表功能，开放统计分析结果，并向舆情监控与决策支持方向扩展

　　　　当然，在博主未争取到更多资源的情况下，第一阶段的排期要求了一个月，后面各阶段只做了功能规划，并未做时间排期。

　　　　这也算是一个小手段吧，毕竟第一阶段上线，boss们是可能提很多其他意见，或者遇到其他任务安排的，不能一开始就把时间节点写死，不然最终受伤的可能是程序员自己。

你比他好一点，他不会承认你，反而会嫉妒你，只有你比他好很多，他才会承认你，然后还会很崇拜你，所以要做，就一定要比别人做得好很多。

　　代码框架搭建：

　　　　虽然大家都对我的“SupportYun”命名颇有异议，但是我依然我行我素，哈哈~~~总感觉读起来很和谐

　　　　先上一张截止今天，项目结构的整体图：

　　　　博主一直很喜爱DDD的设计模式，也在很多项目中引用了一些经典DDD模式的框架，但是明显这次的任务是不适合做DDD的。

　　　　引入了EF Code First做数据持久化，未引入相关的各种操作扩展，这次打算纯拉姆达表达式来写，毕竟吃多了荤的，偶尔也想尝几口素，调剂调剂口味~

　　　　两个WinServices分别是爬虫服务与规则化引擎服务。全文检索相关由于近期不会涉及，故暂未引入，相信其他的类库大家看命名就明白是干什么的了。

 一匹真正的好马，即使没有伯乐赏识，也能飞奔千里。

　　爬虫服务剖析：

　　　　　　1.先来看Support.Domain，sorrry，原谅我对DDD爱得深沉，总是喜欢用Domain这个命名。

　　　　　　Basic和Account是一些常规表模型，就不一一介绍了。

　　　　　　顺带给大家共享一份一直在用的全国省市县数据sql，下载地址（不要积分，放心下载）：http://download.csdn.net/detail/cb511612371/9700143

　　　　　　Migrations熟悉EF的都应该知道，是DB迁移文件夹，每次模型有所改变，直接命令行执行，生成迁移文件，update数据库就OK了。命令行如下：

　　　　　　　　a)Enable-Migrations -ProjectName EFModel命名空间
　　　　　　　　　　-- 开启数据迁移（开启后，该类库下会生成Migrations文件夹，无需多次开启）

　　　　　　　　b)Add-Migration Name -ProjectName EFModel命名空间
　　　　　　　　　　-- 添加数据迁移方案（指定一个名称，添加后会在Migrations文件夹下生成对应迁移方案代码）

　　　　　　　　c)Update-Database -ProjectName EFModel命名空间
　　　　　　　　　　-- 执行数据迁移方案（匹配数据库迁移方案，修改数据库）

　　　　　　再来看爬虫服务的模型：

　　　　　　

　　　　　　博主设计了四张表来处理爬虫服务，分别存储采集源<-1:n->采集规则<-1:n->初始采集数据，规则分组（主要用于将执行间隔相同的规则分为一组，以便后期抓取任务量大时，拆分服务部署）

　　　　　　

　　　　　　2.再来看SupportYun.GrabService，顾名思义，这就是我们爬虫抓取服务的核心逻辑所在。

 　　　　　　

　　　　　　由于时间紧急，博主当前只做了使用AngleSharp来抓取的服务，以后会逐步扩充基于正则表达式以及其他第三方组件的抓取服务。

　　　　　　CrawlerEngineService 是爬虫服务的对外引擎，所有爬取任务都应该是启动它来执行爬取。

　　　　　　其实，爬取别人网页服务的本质很简单，就是一个获取html页面，然后解析的过程。那么我们来看看针对博主的模型设计，具体又该是怎样一个流程：

　　　　　　可以看到，博主目前是在爬虫引擎里面循环所有的规则分组，当以后规则扩张，抓取频率多样化后，可以分布式部署多套任务框架，指定各自的任务规则组来启动引擎，即可达到面向服务的任务分流效果。

　　　　　　3.最后，我们需要创建一个Windows服务来做任务调度（博主当前使用的比较简单，引入其他任务调度框架来做也是可以的哈~），它就是：SupportYun.CrawlerWinServices

　　　　　　

　　　　　　windows服务里面的逻辑就比较简单啦，就是起到一个定时循环执行任务的效果，直接上核心代码：　　　　　　

    public partial class Service1 : ServiceBase
    {
        private CrawlerEngineService crawlerService=new CrawlerEngineService();

        public Service1()
        {
            InitializeComponent();
        }

        protected override void OnStart(string[] args)
        {
            try
            {
                EventLog.WriteEntry("【Support云爬虫服务启动】");
                CommonTools.WriteLog("【Support云爬虫服务启动】");

                Timer timer = new Timer();
                // 循环间隔时间(默认5分钟)
                timer.Interval = StringHelper.StrToInt(ConfigurationManager.AppSettings["TimerInterval"].ToString(), 300) * 1000;
                // 允许Timer执行
                timer.Enabled = true;
                // 定义回调
                timer.Elapsed += new ElapsedEventHandler(TimedTask);
                // 定义多次循环
                timer.AutoReset = true;
            }
            catch (Exception ex)
            {
                CommonTools.WriteLog("【服务运行 OnStart:Error" + ex + "】");
            }
        }

        private void TimedTask(object source, System.Timers.ElapsedEventArgs e)
        {
            System.Threading.ThreadPool.QueueUserWorkItem(delegate
            {
                crawlerService.Main();
            });
        }

        protected override void OnStop()
        {
            CommonTools.WriteLog(("【Support云爬虫服务停止】"));
            EventLog.WriteEntry("【Support云爬虫服务停止】");
        }
    }

　　　　　　第35行是启用了线程池，放进队列的是爬虫抓取引擎服务的启动方法。

　　　　　　windows服务的具体部署，相信大家都会，园子里也有很多园友写过相关文章，就不详细解释了。

　　　　　　4.那么我们再来梳理一下当前博主整个爬虫服务的整体流程：

不论对错，只要你敢思考，并付诸行动，你就可以被称为“软件工程师”，而不再是“码农”。

　　爬取服务核心代码：

　　　　上面说的都是博主针对整个系统爬虫服务的梳理与设计。最核心的当然还是我们最终实现的代码。

一切不以最终实践为目的的构思设计，都是耍流氓。

　　　　我们首先从看看抓取服务引擎的启动方法：

        public void Main()
        {
            using (var context = new SupportYunDBContext())
            {
                var groups = context.RuleGroup.Where(t => !t.IsDelete).ToList();
                foreach (var group in groups)
                {
                    try
                    {
                        var rules =
                            context.CollectionRule.Where(r => !r.IsDelete && r.RuleGroup.Id == group.Id).ToList();
                        if (rules.Any())
                        {
                            foreach (var rule in rules)
                            {
                                if (CheckIsAllowGrab(rule))
                                {
                                    // 目前只开放AngleSharp方式抓取
                                    if (rule.CallScriptType == CallScriptType.AngleSharp)
                                    {
                                        angleSharpGrabService.OprGrab(rule.Id);
                                    }
                                }
                            }
                        }
                    }
                    catch (Exception ex)
                    {
                        // TODO:记录日志
                        continue;
                    }
                }
            }
        }

　　　　上面说了，当前只考虑一个爬虫服务，故在这儿循环了所有规则组。

　　　　第16行主要是校验规则是否允许抓取（根据记录的上次抓取时间和所在规则组的抓取频率做计算）。

　　　　我们看到，引擎服务只起到一个调度具体抓取服务的作用。那么我们来看看具体的AngleSharpGrabService，基于AngleSharp的抓取服务：

　　　　IsRepeatedGrab 这个方法应该是抽象类方法，博主就不换图了哈。

　　　　它对外暴露的是一个OprGrab抓取方法：

        /// <summary>
        /// 抓取操作
        /// </summary>
        /// <param name="ruleId">规则ID</param>
        public void OprGrab(Guid ruleId)
        {
            using (var context = new SupportYunDBContext())
            {
                var ruleInfo = context.CollectionRule.Find(ruleId);
                if (ruleInfo == null)
                {
                    throw new Exception("抓取规则已不存在！");
                }

                // 获取列表页
                string activityListHtml = this.GetHtml(ruleInfo.WebListUrl, ruleInfo.GetCharset());

                // 加载HTML
                var parser = new HtmlParser();
                var document = parser.Parse(activityListHtml);

                // 获取列表
                var itemList = this.GetItemList(document, ruleInfo.ListUrlRule);

                // 读取详情页信息
                foreach (var element in itemList)
                {
                    List<UrlModel> urlList = GetUrlList(element.InnerHtml);
                    foreach (UrlModel urlModel in urlList)
                    {
                        try
                        {
                            var realUrl = "";
                            if (urlModel.Url.Contains("http"))
                            {
                                realUrl = urlModel.Url;
                            }
                            else
                            {
                                string url = urlModel.Url.Replace(ruleInfo.CollectionSource.SourceUrl.Trim(), "");
                                realUrl = ruleInfo.CollectionSource.SourceUrl.Trim() + url;
                            }

                            if (!IsRepeatedGrab(realUrl, ruleInfo.Id))
                            {
                                string contentDetail = GetHtml(realUrl, ruleInfo.GetCharset());
                                var detailModel = DetailAnalyse(contentDetail, urlModel.Title, ruleInfo);

                                if (!string.IsNullOrEmpty(detailModel.FullContent))
                                {
                                    var ruleModel = context.CollectionRule.Find(ruleInfo.Id);
                                    ruleModel.LastGrabTime = DateTime.Now;
                                    var newData = new CollectionInitialData()
                                    {
                                        CollectionRule = ruleModel,
                                        CollectionType = ruleModel.CollectionType,
                                        Title = detailModel.Title,
                                        FullContent = detailModel.FullContent,
                                        Url = realUrl,
                                        ProcessingProgress = ProcessingProgress.未处理
                                    };
                                    context.CollectionInitialData.Add(newData);
                                    context.SaveChanges();
                                }
                            }

                        }
                        catch
                        {
                            // TODO:记录日志
                            continue;
                        }
                    }
                }
            }
        }

　　　　第16行用到的GetHtml()方法，来自于它所继承的抓取基类BaseGrabService：

　　　　具体代码如下： 

    /// <summary>
    /// 抓取服务抽象基类
    /// </summary>
    public abstract class BaseGrabService
    {
        /// <summary>
        /// 线程休眠时间 毫秒
        /// </summary>
        private readonly static  int threadSleepTime = 1000;

        /// <summary>
        /// 加载指定页面
        /// </summary>
        /// <param name="url">加载地址</param>
        /// <param name="charsetType">编码集</param>
        /// <returns></returns>
        public string GetHtml(string url, string charsetType)
        {
            string result = null;
            HttpHelper httpHelper = new HttpHelper();
            result = httpHelper.RequestResult(url, "GET", charsetType);
            result = ConvertCharsetUTF8(result);
            
            // 简单的休眠，防止IP被封
            // TODO:后期视情况做更进一步设计
            Thread.Sleep(threadSleepTime);
            return result;
        }

        /// <summary>
        /// 强制将html文本内容转码为UTF8格式
        /// </summary>
        /// <param name="strHtml"></param>
        /// <returns></returns>
        public string ConvertCharsetUTF8(string strHtml)
        {
            if (!strHtml.Contains("Content-Type") && !strHtml.Contains("gb2312"))
            {
                if (strHtml.Contains("<title>"))
                {
                    strHtml = strHtml.Insert(strHtml.IndexOf("<title>", StringComparison.Ordinal), "<meta http-equiv="Content-Type" content="text/html; charset=utf-8">");
                }
            }
            else
            {
                strHtml = strHtml.Replace("gb2312", "utf-8").Replace("gbk", "utf-8");
            }
            return strHtml;
        }

        /// <summary>
        /// 根据规则，从html中返回匹配结果
        /// </summary>
        /// <param name="doc">html doc</param>
        /// <param name="rule">规则</param>
        /// <returns></returns>
        public IEnumerable<IElement> GetItemList(IDocument doc,string rule)
        {
            var itemList = doc.All.Where(m => m.Id == rule.Trim());
            if (!itemList.Any())
            {
                itemList = doc.All.Where(m => m.ClassName == rule.Trim());
            }
            return itemList;
        }

        /// <summary>
        /// 获取列表项中的url实体
        /// </summary>
        /// <returns></returns>
        public List<UrlModel> GetUrlList(string strItems)
        {
            List<UrlModel> itemList = new List<UrlModel>();
            Regex reg = new Regex(@"(?is)<a[^>]*?href=(['""]?)(?<url>[^'""s>]+)1[^>]*>(?<text>(?:(?!</?a).)*)</a>");
            MatchCollection mc = reg.Matches(strItems);
            foreach (Match m in mc)
            {
                UrlModel urlModel = new UrlModel();
                urlModel.Url = m.Groups["url"].Value.Trim().Replace("amp;", "");
                urlModel.Title = m.Groups["text"].Value.Trim();
                itemList.Add(urlModel);
            }

            return itemList;
        }
    }

    /// <summary>
    /// URL对象
    /// </summary>
    public class UrlModel
    {
        /// <summary>
        /// 连接地址
        /// </summary>
        public string Url { get; set; }

        /// <summary>
        /// 连接Title
        /// </summary>
        public string Title { get; set; }
    }

    /// <summary>
    /// 详情内容对象
    /// </summary>
    public class DetailModel
    {
        /// <summary>
        /// title
        /// </summary>
        public string Title { get; set; }

        /// <summary>
        /// 内容
        /// </summary>
        public string FullContent { get; set; }
    }

　　　　注意AngleSharpGrabService的OprGrab方法第33行至42行，在做url的构建。因为我们抓取到的a标签的href属性很可能是相对地址，在这里我们需要做判断替换成绝对地址。

　　　　具体逻辑大家可以参考上面的爬取流程图。

　　　　OprGrab方法的第47行即从抓取的具体详情页html中获取详情数据（目前主要获取title和带html标签的内容，具体清理与分析由规则化引擎来完成）。

　　　　具体实现代码并无太多营养，和抓取列表页几乎一致：构建document对象，通过规则匹配出含有title的html片段和含有内容的html片段，再对title进行html标签清洗。

　　　　具体清洗一个html文本html标签的方法已经属于规则化引擎的范畴，容博主下一篇写规则化引擎服务的时候再来贴出并给大家作分析。

　　　　这时候，我们部署在服务器上的windows服务就能按我们配好的规则进行初始数据抓取入库了。

　　　　贴一张博主当前测试抓取的数据截图:

　　　　博主终于算是完成了系统的第一步，接下来就是规则化引擎分析FullContent里面的数据了。

　　　　博主争取本周写完规则化引擎相关的代码，下周再来分享给大家哈！

　　　　可是答应了一个月时间要做好第一阶段的所有内容并上线呢，哎~~~敲代码去

硬的怕横的，横的怕不要命的，疯子都是不要命的，所以疯子力量大，程序员只有一种，疯狂的程序员。

　　　　共勉！！！

原创文章，代码都是从自己项目里贴出来的。转载请注明出处哦，亲~~~