三天学会网络爬虫之Day03

三天学会网络爬虫之Day03

第一章 课程计划

1.案例扩展
a)定时任务,
b)网页去重。
c)代理的使用。
2.Elastic环境准备
3. Spring Data ElasticSearch 回顾
a)完成ES基本使用。
b)完成复杂查询。
4.查询案例实现

第二章 案例扩展

2.1.定时任务。

在案例中我们使用的是spring 内置的Spring Task,这是Spring3.0加入的定时任务功能。我们使用注解的方式定时启动爬虫进行数据爬取。
我们使用的是@Scheduled注解，其属性如下:

1. cron: cron表达式，指定任务在特定时间执行;
2. fixedDelay:上一次任务执行完后多久再执行，参数类型为long，单位 ms. 3 ) fixedDelayString: 与fixedDelay含义一样，只是参数类型变为string-.
3. fixedRate:按一定的频率执行任务，参数类型为long，单位 ms
4. fixedRateString: 与fixedRate的含义一样，只是将参数类型变为string
5. initialDelay:延迟多久再第一次执行任务，参数类型为 long，单位 ms
6. initialDelayString:与initialDelay的含义一样，只是将参数类型变为string.
7. zone:时区，默认为当前时区，一般没有用到. 我们这里的使用比较简单，固定的间隔时间来启动爬虫。例如可以实现项目启动后，每隔一小时启动一次爬虫。但是有可能业务要求更高，并不是定时定期处理,而是在特定的时间进行处理，这个时候我们之前的使用方式就不能满足需求了。例如我要在工作日(周一到周五)的晚上八点执行。这时我们就需要Cron表达式了。

2.1.1.Cron表达式

Cron 的表达式是字符串，实际上是由七子表达式，描述个别细节的时间表。这些子表达式是分开的空白，代表:

1. Seconds
2. Minutes
3. Hourse
4. Day-of-Monthe
5. Month
6. Day-of-Week
7. Year (可选字段) 例"0012 ? * WED”在每星期三下午12:00执行, “*”代表整个时间段s 每一个字段都有一套可以指定有效值，如 Seconds (秒):可以用数字0-59表示， Minutes(分):可以用数字0—59表示， Hours(时):可以用数字0-23表示, Day-of-Month(天):可以用数字1-31中的任一一个值，但要注意一些特别的月份· Month(月):可以用0-11或用字符串:JAN,IFEB,MAR,APR,MAY, JUN,JUL,AUG,SEP, OCT, NOV,DEC u Day-of-Week(天):可以用数字1-7表示（1=星期日）或用字符口串:SUN,MON,TUE, WED,THU, FRI,SATv “/”:为特别单位，表示为“每”如“0/15”表示每隔15分钟执行一次,“0”表示为从“0”分开始，“3/20”表示表示每隔20 分钟执行一次，“3”表示从第3分钟开始执行 “?”:表示每月的某一天，或第周的某一天 “L”:用于每月，或每周，表示为每月的最后一天，或每个月的最后星期几如“6L”表示“每月的最后一个星期五”‘

2.1.2.Cron测试

先把之前爬虫的@Component注解取消，避免干扰测试

//@componentpublic class JobProcessor implements PageProcessor {

编写使用cron表达式的测试用例:

@componentpublic class TaskTest { 
@scheduled( cron ="0/5* **﹐米﹐*")public void test() {
system.out.println(LocalDateTime.now()+"任务执行了");
}

2.2.网页去重

之前我们对下载的url地址进行了去重操作，避免同样的url下载多次。其实不光url需要去重，我们对下载的内容也需要去重。
在网上我们可以找到许多内容相似的文章。但是实际我们只需要其中一个即可，同样的内容没有必要下载多次，那么如何进行去重就需要进行处理了。

2.2.1.去重方案介绍

指纹码对比
最常见的去重方案是生成文档的指纹门。例如对一篇文章进行MD5加密生成一个字符串，我们可以认为这是文章的指纹码，再和其他的文章指纹码对比，一致则说明文章重复。但是这种方式是完全一致则是重复的，如果文章只是多了几个标点符号，那仍旧被认为是重复的，这种方式并不合理。

BloomFilterv
这种方式就是我们之前对url进行去重的方式，使用在这里的话，也是对文章进行计算得到一个数，再进行对比，缺点和方法1是一样的，如果只有一点点不一样，也会认为不重复，这种方式不合理。

KMP算法
KMP算法是一种改进的字符串匹配算法。KMP算法的关键是利用匹配失败后的信息，尽量减少模式串与主串的匹配次数以达到快速匹配的目的。能够找到两个文章有哪些是一样的，哪些不一样。
这种方式能够解决前面两个方式的“只要一点不一样就是不重复”的问题。但是它的时空复杂度太高了，不适合大数据量的重复比对。
还有一些其他的去重方式:最长公共子串、后缀数组、字典树、DFA等等，但是这些方式的空复杂度并不适合数据量较大的工业应用场景。我们需要找到一款性能高速度快，能够进行相似度对比的去重方案;
Google 的 simhash算法产生的签名，可以满足上述要求。这个算法并不深奥，比较容易理解。这种算法也是目前Google搜索引擎所目前所使用的网页去重算法。

2.2.2. SimHash

2.2.2.1.流程介绍

simhash是由 Charikar在2002年提出来的，为了便于理解尽量不使用数学公式，分为这几步:
1、分词，把需要判断文本分词形成这个文章的特征单词。
2、hash，通过 hash算法把每个词变成hash值，比如“美国”通过hash算法计算为100101,“51区”通过hash算法计算为101011。这样我们的字符串就变成了一串串数字。
3、加权，通过2步骤的 hash 生成结果，需要按照单词的权重形成加权数字串，“美国”的 hash值为“100101”，通过加权计算为“4-4-4 4-4 4” “51区”计算为“5-55-555”。
4、合并，把上面各个单词算出来的序列值累加，变成只有一个序列串。“美国”的“4 -4-44-4 4”,“51区”的“ 5-55-555”.
5、降维，把算出来的“9-91-119”变成01串，形成最终的simhash签名。

2.2.2.2.签名距离计算

我们把库里的文木都转换为simhash签名，并转换为long类型存储，空间大大减少。现在我们虽然解决了空间，但是如何计算两个simhash的相似度呢?,
我们通过海明距离(Hamming distance）就可以计算出两个 simhash到底相似不相似。两个simhash对应二进制（01串)取值不同的数量称为这两个simhash的海明距离。
举例如下:10101和 00110 从第一位开始依次有第一位、第四、第五位不同，则海明距离为3。对于二进制字符串的a和 b，海明距离为等于在a xOR b运算结果中1的个数（普遍算法）。

2.2.2.3.导入simhash 工程

这个算法使用creekLou实现的功能进行使用。
这个项目不能直接使用，因为 jar包的问题，需要进行改造。这里已经改造好的。
导入工程simhash，并打开测试用例。

2.3.代理的使思

有些网站不允许爬虫进行数据爬取，因为会加大服务器的压力。其中一种最有效的方式是通过ip+时间进行鉴别，因为正常人不可能短时间开启太多的页面，发起太多的请求。
我们使用的WebMagic可以很方便的设置爬取数据的时间(参考第二天的的3.1.爬虫的配置、启动和终止)。但是这样会大大降低我们爬取数据的效率，如果不小心ip 被禁了，会让我们无法爬去数据，那么我们就有必要使用代理服务器来爬取数据。

2.3.1.代理服务器

代理（英语: Proxy)，也称网络代理，是一种特殊的网络服务，允许一个网络终端（一般为客户端）通过这个服务与另一个网络终端(一般为服务器）进行非直接的连接。
提供代理服务的电脑系统或其它类型的网络终端称为代理服务器(英文:ProxyServer）。一个完整的代理请求过程为:客户端首先与代理服务器创建连接，接着根据代理服务器所使用的代理协议，请求对目标服务器创建连接、或者获得目标服务器的指定资源。

我们就需要知道代理服务器在哪里（ ip和端口号）才可以使用。网上有很多代理服务器的提供商，但是大多是免费的不好用，付费的还行。

2.3.1.使用代理

WebMagic使用的代理APIProxyProvider。因为相对于site 的“配置”，ProxyProvider定位更多是1个“组件”，所以代理不再从 site设置，而是由HttpClientDownloader 设置。

ProxyProvider有一个默认实现:SimpleProxyProvider。它是一个基于简单Round-Robin的、没有失败检查的ProxyProvider。可以配置任意个候选代理，每次会按顺序挑选一个代理使用。它适合用在自己搭建的比较稳定的代理的场景。
如果需要根据实际使用情况对代理服务器进行管理（例如校验是否可用，定期清理、添加代理服务器等)，只需要自己实现APIProxyProvider即可。

第三章 ElasticSearch环境准备

3.1.安装ElasticSearch服务

启动服务：

当出现以下内容表示启动完成

访问地址是 http://127.0.0.1:9200访问该地址:

表示ElasticSearch安装启动完成

3.2.安装ES的图形化界面插件.

安装ElasticSearch 的 head插件,完成图形化界面的效果,完成索引数据的查看。采用本地安装方式进行head插件的安装。elasticsearch-5-*以上版本安装head需要安装node和 grunt。
1）安装head插件。
将head 压缩包解压到任意目录，但是要和 elasticsearch的安装目录区别开。
2）安装nodejs
3）将grunt安装为全局命令，Grunt是基于Node.js 的项目构建工具
在cmd控制台中输入如下执行命令:

npm install -g grunt-cli

效果如下:

ps:如果安装不成功或者安装速度慢，可以使用淘宝的镜像进行安装:
npm install -g cnpm -registry=https://registry.npm.taobao.org
后续使用的时候，只需要把npm xxx换成cnpm xxx即可
4）修改elasticsearcb配置文件: elasticsearch.yml，增加以下三句命令:

http.cors.enabled: true
http.cors.allow-origin: "*"
network.host: 127.0.0.1

5）进入head目录启动head，在命令提示符下输入命令:
grunt server根据提示访问，效果如下:

PS:如果第5步失败，执行以下命令

npm install grunt

3.3.安装IK分词器

1.lK分词器安装包
2.解压,将解压后的elasticsearch文件夹拷贝到elasticsearch-5.6.8\plugins 下，并重命名文件夹为ik

3.重新启动ElasticSearch，即可加载IK分词器
4.测试
在浏览器发起以下请求
1）最小切分:在浏览器地址栏输入地址
http://127.0.0.1:9200/_analyze?analyzer=ik_smart&pretty=true&text=我是程序员
浏览器显示