集算器 SPL 抓取网页数据

【摘要】
      集算器 SPL 支持抓取网页数据，根据抓取定义规则，可将网页数据下载到在本地进行统计分析。具体定义规则要求、使用详细情况，请前往乾学院：集算器 SPL 抓取网页数据!

      网站上的数据源是我们进行统计分析的重要信息源。当我们浏览网页，看到自己感兴趣数据内容时，希望能够快速抓取网页上的数据，这对于数据分析相关工作来说极其重要，也是必备的技能之一。但是网络数据抓取大多需要复杂的编程知识，操作也比较繁琐。这里介绍如何用集算器 SPL 快速抓取网页数据。

 1、基本流程图
 2、抓取网页数据接口
 3、定义规则
    A、web_info
    B、init_url
    C、help_url
    D、target_url
    E、page_url
 4、抓取股票历史数据
 5、用户自定义程序
    A、数据提取程序接口
    B．数据保存程序接口
    C、数据提取程序样例
    D、数据保存程序样例
    E、自定义程序的使用

 1、基本流程图

从给定的开始地址进行遍历，将解析过滤后的网址放入下载地址队列，分成网址页 help_url 与下载页 target_url, 网址页只收集网址，下载页即能收集网址，也能提取数据，把提取到的数据保存起来。抓取网页数据直到遍历地址为空，则抓取工作结束。

 2、抓取网页数据接口
      web_crawl(jsonstr) 是抓取网页数据接口，参数 jsonstr 是定义规则的字符串，抓取数据时，根据定义规则遍历 URL、下载、提取、保存相关内容数据。
      本接口依赖集算器外部库 webcrawlCli。它缺省安装在集算器软件的 esProc\extlib\webcrawlCli 路径下，在集算器的外部库设置中勾选 webcrawlCli 项, 重启集算器后，就可以使用 web_crawl 接口。

web_crawl 简单用法，如抓取指定股票数据，SPL 脚本 demo.dfx：

获取股票代码 600000 的数据文件：

文件内容：

3、定义规则
根据基本流程图，将定义规则分成网站信息、初始网址、网址页、下载页、提取数据五部分。具体内容如下：

[
{ web_info:{domain:'www.banban.cn', save_path:'d:/tmp/data/webmagic', thread_size:2, cookie:{name:"jacker", laster:"2011"},
user_agent:'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:39.0) Gecko/20100101 Firefox/39.0'}},
{ init_url:['https://www.banban.cn/gupiao/list_cybs.html', 'https://www.banban.cn/gupiao/list_sh.html']},
{ help_url:['gupiao/list_(sh|sz|cyb)\.html', '/shujv/zhangting/', '/agu/$']},
{ target_url:{reg_url:'/agu/365\d'}},
{ target_url:{filter:'gupiao/list_(sh|sz|cyb)\.html', reg_url:'gupiao/[sz|sh]?(60000\d)/',new_url:'http://www.aigaogao.com/tools/history.html?s=%s'}},
{ page_url:{filter:'history.html\?s=\d{6}', extractby: "//div[@id='ctl16_contentdiv']/"}},
{ page_url:{extractby: "//div[@id='content_all']/"}},
{ page_url:{filter:'/agu/365\d', extractby: "//div[@id='content']/"}}
]

规则简要说明：
web_info：网站信息，根据要下载的网站，设置域名、本地存储位置、用户代理信息、用户自定义程序等相关的信息。
init_url：初始网址，URL 遍历的入口网址。
help_url：网址页，定义网址页规则，收集网页内容中的 URL，但不提取此页面数据内容。
target_url：下载页，定义下载页规则，收集网页内容中的 URL，同时也提取此页面的内容。
page_url：提取数据，定义页面内容提取规则，在下载页 target_url 中根据此规则提取内容。

注意：json 书写结构细节，节点 {} 中的 [] 表示 list 列表，节点 {} 中的 {} 表示 map 键值结构，书定时要注意，否则书写不对易引起解析错误。

定义规则说明

A、web_info
设置要下载的信息，内容包括：
domain：设置域名。
save_path：文件存储路径。
user_agent：指用户代理信息。 作用: 使服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。
sleep_time：抓取间隔。
cycle_retry_times：重试次数。
charset：设置编码。
use_gzip：是否为 gzip 压缩。
time_out：抓取超时设置。
cookie_name：cookie 信息，键值结构。
thread_size：抓取时线程数。
save_post：是否要为存储的文件名称追加编码串，以防网名文件被覆盖，缺省值为 true。如 books/a.html, music/a.html, 都是要下载的页面，保存时若此参数为 true, 则存储文件名分别为 a_xxxcgk.txt,a_xabcdw.txt，文件不会被覆盖；若为 false, 保存文件名为 a.txt, 后存储的就会将已存在的同名文件覆盖。
class_name：用户自定义的存储类。
class_argv：传递给 class_name 类的字符串参数。

B、init_url
初始的 URL。
为 List 列表结构，可设置多个 URL.

C、help_url
网址页主要是定义要收集的 URL 过滤规则, 符合规则的 URL 会被加入下载网址队列，但是不会提取其具体内容。过滤规则支持正则表达式，如：
gupiao/list_(sh|sz|cyb)\.html 表示 URL 中只有包括字符串 gupiao/list_sh.html、gupiao/list_sz.html、gupiao/list_cyb.html 链接才能通过。
为 List 列表结构，可定义多个规则。

D、target_url
下载页是要抓取内容数据的 URL，需要从这个页面里提取内容。若此 URL 符合 help_url 过滤规则，那么也会在本页面中收集 URL。
约定定义规则格式:
{target_url:{filter: pageUrl, reg_url:urlRegex, new_url:newUrl}},
表示在符合 pageUrl 条件的页面中，找出符合 urlRegex 条件的 href 链接，若 newUrl 定义了，则可与 urlRegex 过滤结果组合成新的 URL。
例如在页面中找到链接 a_100.html 符合过滤条件 reg_url=a_(\d+)\.html, 则有 newUrl=b_%s.php, 那么 urlRegex 过滤 a_100.html 的结果为 100, 将与 newUrl 合并，新的下载页为 b_100.php。
其中 filter 表示定义过滤的 URL 规则；若无此定义，表示所有的 target_url 都要用此规则。
reg_url 表示要收集的 URL 规则，必写；无 reg_url 的 target_url 规则则无意义。
new_url 表示定义新的页面，需要与 reg_url 过滤结果结合成新的 URL。

举例说明：
3.1 定义规则：{target_url:{filter:'gupiao/list_(sh|sz|cyb)\.html', reg_url:'gupiao/([sz|sh]?6000\d{2})/',new_url:'http://www.raqsft.com/history.html?s=%s'}}
在下载页gupiao/list_sh.html中包含如下内容：
<li><a href="/gupiao/600010/">包钢股份(600010)</a></li>
<li><a href="/gupiao/600039/">四川路桥(600039)</a></li>
<li><a href="/gupiao/600048/">保利地产(600048)</a></li>

A、gupiao/list_sh.html符合filter条件
B、href串符合reg_url条件，将产生[600010, 600039, 600048]
C、过滤结果与newUrl生成新的URL：
http://www.raqsft.com/history.html?s=600010
http://www.raqsft.com/history.html?s=600039
http://www.raqsft.com/history.html?s=600048
new_url中的%s为合并字符串的占位符。

3.2 定义规则：{target_url:{reg_url:'/ gupiao/60001\d'}},

在下载页gupiao/list.html中包含如下内容：
<li><a href="/gupiao/600010/">包钢股份(600010)</a></li>
<li><a href="/gupiao/600039/">四川路桥(600039)</a></li>
<li><a href="/gupiao/600048/">保利地产(600048)</a></li>
href中符合reg_url条件的，则收集到的URL为：
http://www.xxx.com/gupiao/600010/
其它两个href不符合过滤条件。
设置filter是为了在过滤后的页面中去收集URL,当help_url多时，过滤后缩小了范围，提高了效率。
target_url规则可定义多条，以适应不同的条件。

E、page_url
提取数据，主要作用于下载页面内容提取，它表示使用这个抽取规则，将提取到的结果保存。定义此规则参考 xpath 使用说明。它只提取主要内容，但对内容细节还需要 className 类来抽取。
约定定义规则格式:
{page_url:{filter: pageUrl, extractby: contentReg, class: className }},
其中filter表示符合过滤条件的url规则，若无此定义，表示所有的target_url都要用此规则。
extractby表示页面内容提取规则。若定义class，表示由className类执行内容提取；若className=
”default”,  表示用当前缺省方式提取，也就是针对table表中的内容提取数据。若缺省提取不满足需求，用户可自定义类来实现，具体实现参考后面用户自定义程序。
例如：extractby :"//div[@class=news-content]/text()"，从网页中提取此节点下的数据。

page_url可针对不同的页面制定不同的规则。通过filter过滤后的页面中去提取数据，减少要处理的URL数量，当target_url多时，能提高效率。

若无 extractby 规则，则表示提取 target_url 页面中所有的内容。
若定义了多条 page_url 规则 ，则首个符合规则的内容将被提取。
假如 A 页面内容的符合规则 R1,R2,R3, 提取内容时首先是 R2，则不再根据 R1、R3 规则提取数据。
说明：若没有定义 target_url 规则，但当前页面有适合的 page_url 规则，则此页面的内容也会被提取。

4、抓取股票历史数据

下面用抓取股票历史数据来说明，web_crawl() 接口是如何应用的。基本操作：先获取股票代码，然后通过股票代码查询历史数据，从下载页面中提取数据后保存。
A、在https://www.banban.cn/gupiao/list_xxx.html 页面help_url 提取上证、深证、创业板的股票代码。
B 、将股票代码与http://www.aigaogao.com/tools/history.html?s=%s 结合，生成需要下载网址target_url.
C 、针对下载页target_url 中的内容提取。

D、显示提取后的内容。

SPL实现代码 Stock.dfx：

加载其中的股票 600010 数据为：

5、用户自定义程序
      对于内容提取，缺省提供了对html中的table内容进行抽取。 但是世界上没有千篇一律的网页一样，也没有一劳永逸的提取算法。在使用网页数据抓取过程中，你会碰到各种类型的网页，这个时候，你就要针对这些网页，来实现对应抽取方法。存储方式类似，缺省提供的是文件保存，若想其它方式如数据库存储，还需要用户自己开发程序。参考下面接口，可将自定义程序融入网页数据抓取流程中。

A、数据提取程序接口

下载页的内容组织形式多样，各具不同，为了适应更多的内容提取需求，用户可自定义提取数据程序。
接口程序:
package com.web;

import us.codecraft.webmagic.Page;
public interface StandPageItem {
    //数据提取处理。
    void parse(Page p);
}

需要实现com.web.StandPageItem接口parse(Page p)，数据提取在此实现。

B、数据保存程序接口
提取数据存储方式种类繁多，各具不同，为了适应更多的数据存储需求，用户可自定义数据存储程序。
接口程序:
package com.web;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;

public interface StandPipeline extends Pipeline {
    public void setArgv(String argv);
    public void process(ResultItems paramResultItems, Task paramTask);
}
同样需要实现 com.web.StandPipeline 类中的 setArgv(), process()。
setArgv()输入参数接口，process() 处理存储数据接口。

C、数据提取程序样例
实现 com.web.StandPage 接口 parse(Page p)，
参考代码：
package com.web;
import java.util.List;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.selector.Selectable;

public class StockHistoryData implements StandPageItem{
    @Override
    public void parse(Page page) {
         StringBuilder buf = new StringBuilder();
          List<Selectable> nodes = page.getHtml().xpath("table/tbody/").nodes();
          for(Selectable node:nodes){
              String day = node.xpath("//a/text()").get();
              List<String> title = node.xpath("//a/text() | tr/td/text()").all();
              if (title.size()<5) continue;
              String line = title.toString().replaceFirst(", ,", ",");
              buf.append(line+"\n");
          }
          page.putField("content", buf.toString());
    }
}

将要保存的数据存放到 page 的字段"content"中，在保存处理时，将从字段"content" 中获取。

D、数据保存程序样例
实现com.web.StandPageline类中的setArgv(),process()
参考代码：
package com.web;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.io.PrintWriter;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import org.apache.commons.codec.digest.DigestUtils;
import us.codecraft.webmagic.utils.FilePersistentBase;
public class StockPipeline extends FilePersistentBase implements StandPipeline {
    private Logger logger = LoggerFactory.getLogger(getClass());
    private String m_argv;
    private String m_path;   
    public static String PATH_SEPERATOR = "/";
 
    static {
      String property = System.getProperties().getProperty("file.separator");
      if (property != null) {
        PATH_SEPERATOR = property;
      }
    }
   
    public StockPipeline() {
         m_path = "/data/webcrawl";
    }
    // 获取存储路径与存储文件名前缀
    public void setArgv(String argv) {
         m_argv = argv;
         if (m_argv.indexOf("save_path=")>=0){
             String[] ss = m_argv.split(",");
             m_path = ss[0].replace("save_path=", "");
             m_argv = ss[1];
         }
    }
   
    public void process(ResultItems resultItems, Task task) {
         String saveFile = null;
         Object o = null;
         String path = this.m_path + PATH_SEPERATOR + task.getUUID() + PATH_SEPERATOR;
         try {
         do{
             String url = resultItems.getRequest().getUrl();
             o = resultItems.get("content");
             if (o == null){
                  break;
             }
            
             int start = url.lastIndexOf("/");
             int end = url.lastIndexOf("?");
             if (end<0){
                  end=url.length();
             }  
            
             String link = url.substring(start+1, end);
             if (m_argv!=null && !m_argv.isEmpty()){
                 link = m_argv+"_"+link;
             }
             if (link.indexOf(".")>=0){
                 link = link.replace(".", "_");
             }
            // 加 md5Hex 为防止重名
             String hex = DigestUtils.md5Hex(resultItems.getRequest().getUrl());
             saveFile = path + link+"_"+ hex +".json";
         }while(false);
         if (saveFile!=null){
             PrintWriter printWriter = new PrintWriter(new FileWriter(getFile(saveFile)));
             printWriter.write(o.toString());
             printWriter.close();
         }
         } catch (IOException e) {
             logger.warn("write file error", e);
         }
    }
}

E、自定义程序的使用
      将上述接口文件及 java 文件编译后打包成 webStock.jar 文件，放在esProc\extlib\webcrawlCli路径下重启集算器。数据存储程序，在 web_info 中配置；数据提取程序，在 page_url 中配置。下面是加载两个自定义类程序的 dfx 脚本。
SPL 代码脚本 mytest.dfx:

生成结果：

类似针对内容提取或数据存储，参考上面程序的实现，用户可自定义 java 程序。