YayCrawler分布式爬虫系统 v1.0

YayCrawler分布式爬虫系统，简单使用，高级配置。可扩展，减轻开发量，能docker化，适应各种急切需求核心框架：WebMagic, Spring Boot ，MongoDB, ActiveMQ ,Spring + Quartz，Spring Jpa ， Druid，Redis， Ehcache ，SLF4J、Log4j2， Bootstrap + Jquery 等。

项目目标

在力所能及的情况下，最大限度的提高 Web爬虫开发人员的生产力，爬虫框架里的一股清流。

主要功能

基于WebMagic开发的完整的分布式爬虫框架，该框架特点如下

1、完全分布式：由管理端(Admin)、调度端(Master)和多个Worker组成，各个组件通过Http协议通信。

2、完全配置化：通过Admin端的页面配置规则就可以爬取任何网站的数据，当然不同网站的难度不一样，会有不同的组件分别针对处理登录、验证码、封IP等问题。

3、可扩展的任务队列：任务队列由Redis实现，根据任务的状态有四种不同的任务队列：初始、执行中、成功、失败。您也可以扩展不同的任务调度算法，默认是公平调度。

4、可定义持久化方式：爬取结果中，属性数据默认持久化到MonogoDB，图片会被下载到文件服务器，当然您可以扩展更多的存储类型。

5、稳定和容错：任何一个爬虫任务都会重试和记录，只有任务真正成功了才会被移到成功队列，失败会有失败的原因描述。

技术选型

核心框架：Webmagic Spring boot

任务调度：Spring + Quartz

持久层框架：Spring Jpa

数据库&连接池：Alibaba Druid MongoDB MySql

缓存框架：Redis Ehcache

日志管理：SLF4J、Log4j2

前端框架： Bootstrap + Jquary

开发环境配置

1.安装JDK8

2.安装mysql数据库，用作存储解析规则等数据，需要创建一个“yayCrawler”的数据库实例，并执行quartz相关的数据库脚本：quartz.sql(见发布包或源码)。

3.安装redis

4.安装mongoDB用于存放结果数据

5.安装ftp服务器软件ftpserver(可选，用于存放下载图片)

启动说明

导入项目，maven install 安装 Admin,Worker,Master 模块。 然后生成的Jar拷贝到 crawler.worker / deploy 目录中，记住改配置文件里面的Redis,mysql mogodb 的IP ,点击start.bat启动。

(Linux & Windwos) java -jar worker.war --spring.config.location=worker_local.properties

关闭命令

(Windows) for /f "tokens=1-5 delims= " %%a in ('"netstat -ano|findstr "^:8086""') do taskkill /f /pid %%e

各组件通信说明

一、Admin Admin层主要负责页面抽取规则配置，页面Site配置，资源管理和任务发布

二、Master 分布式爬虫的控制中心，接受Admin发布的任务，并分派任务给worker执行。

2.1、接收发布任务

2.2、接受Worker的注册

三、Worker 真正干事情的苦逼青年，接受Master分派的任务并执行，定时向Master汇报心跳