pholcus

README

Pholcus爬虫框架（改造版）

原官方爬虫框架henrylee2cn/pholcus基本停止更新，由于个人学习需要，对本项目做了一些修改和完善。 有兴趣对可以看看原官方项目的介绍。 感谢：henrylee2cn 因爬虫项目在政策上的敏感性，本项目将根据原作者的项目状态而随时做出调整（如项目删除、免责声明等） 再次声明：本项目仅供学习

免责声明

本软件仅用于学术研究，使用者需遵守其所在地的相关法律法规，请勿用于非法用途！！ 如在中国大陆频频爆出爬虫开发者涉诉与违规的新闻。 郑重声明：因违法违规使用造成的一切后果，使用者自行承担！！

2019-08-17更新

1. 当历史记录中有错误信息时，用户可以在Spider中设置是否只爬取这些历史记录，若不设置，则不仅会爬取这些错误信息，同时还会继续爬取定义的规则。该功能主要是针对增量更新时，只爬取一遍网站，收集到失败记录后，只爬取失败记录即可，没必要为了爬取败记录就同时爬取整个网站网。

2019-07-21更新

1. 多处细节和异常更新
2. 代理模块重构，简化代理逻辑
3. views的操作，请参考 /pholcus/web/bindata_assetfs_usage，使用前请现在该目录下将views.zip解压并根据自己需要修改页面
4. 目前可在/pholcus/config/config.go中根据需要修改日志文件名称，方便区分每个网站的爬虫
5. 其余众多功能改造，就不一一细说了

以下历史记录，部分可供参考

使用技巧

1. 每个链接的请求，最好设置一下链接DialTimeout和ConnTimeout，默认框架提供的是2分钟，这个大批量爬取时候，这个时间影响还是很大的，我控制在15秒左右。
2. 使用代理，结合上面的方式是最佳选择

该项目个人使用感悟

重量级爬取，性能和体验比很多开源项目要好很多，无需怀疑。

当前如下修改和完善

1. 为方便在爬虫规则中调用ctx.Sleep时能够动态切换爬虫间隔频率，在pholcus/app/crawler/crawler.go第200行处加入：

self.setPauseTime()

1. 该框架是使用map将爬虫结果导入到mongo中的，原先爬虫上下文中的参数默认值不能为空（只能搞成""空字符串），这就回导致json解析数据时候同时解析了该参数，后面不仅浪费空间（etl时候会将该空字段再次加入到mongo，很浪费资源），而且容易造成误理解。
   为此，在pholcus/app/downloader/request/request.go第282行将如下代码注释：

if defaultValue == nil {
	panic("*Request.GetTemp()的defaultValue不能为nil，错误位置：key=" + key)
}

1. (待定，当前已还原)多次发起请求时候，head会被重复利用，这样有的爬虫规则下， 会造成请求错误，始终无法继续（会误以为是ip被封），为此，注释掉pholcus/app/downloader/surfer/param.go第60行如下代码：

param.header = req.GetHeader()

1. 当页面请求错误，获取不到数据时候（提示convert err xxx），此时如果错误数量超过goroutine限制的上限，则会陷入死锁状态，为此需要在pholcus/app/spider/context.go第643行加入如下一行代码：

self.text = []byte("") //防止self.text为nil

1. 新增方法，用于获取请求到的页面的原始[]byte数据。原先没有提供时，如果要获取图片或者自行处理数据是很难搞的，为此在pholcus/app/spider/context.go第579行处加入如下代码：

// GetBytes returns plain bytes crawled.
func (self *Context) GetBytes() []byte {
	if self.text == nil {
		self.initText()
	}
	return self.text
}

1. 当response编码为"image/jpeg"或者没有指定编码时，不要进行转码操作（默认会转为utf-8，会影响图片等内容等展示）,需要在pholcus/app/spider/context.go第641行加入一项：

"image/jpeg",""

1. 部分网站可能会发生url变化，此时继续爬取，会被识别为新的url来爬取，会造成和旧的url爬的数据重复。为了解决这个问题，需要在pholcus/app/downloader/request/request.go第19行加入：

UrlAlias      string          //url别名，主要是为了防止网站url发生变化，影响去重。（若网站url变化，只需要在此处加入旧的url就行）

同时在142行加入：

// 请求的唯一识别码
func (self *Request) Unique() string {
	if self.unique == "" {
		if self.UrlAlias != "" {
			block := md5.Sum([]byte(self.Spider + self.Rule + self.UrlAlias + self.Method))
			self.unique = hex.EncodeToString(block[:])
		} else {
			block := md5.Sum([]byte(self.Spider + self.Rule + self.Url + self.Method))
			self.unique = hex.EncodeToString(block[:])
		}
	}
	return self.unique
}

以后只要在Request中，指定UrlAlias的旧根地址即可

1. 为更直观展示代理使用时候的错误提示，在pholcus/app/aid/proxy/proxy.go第239行加入： ps：曾犯下一个错误，代理测试始终报错，后来才知道，代理ip需要加上http://前缀，就是因为源码中忽略了下面的错误提示

if err != nil {
	logs.Log.Informational(" *     [%v]代理测试发生错误：" + err.Error())
}

1. 将henrylee2cn/teleport和henrylee2cn/goutil两个辅助源码直接放在/pholcus/common目录中

2. 加入爬虫规则示例包到项目根目录

3. 可手动判断是否要某条链接作为去重处理，Request中加入参数：NeedUrlUnique，加入库中，默认不去重:

app/scheduler/matrix.go 169行
if ok && req.NeedUrlUnique {

}

1. mongo完善，支持用admin的username和password来加密村粗，若username为空，则认为不需要账号和密码

2. 爬虫进行中的web页面无法自动打开问题处理(IE11偶尔能自动打开)，目前，通过异步监听socket的open状态来改进打开页面机制。 问题点：原先官方在web/views/js/app.js的home()方法中，如果先前关闭浏览器的时候已经在爬取页面，那mode=-1，此时调用home()时，就会直接调用ws.send()方法，但此时ws还没成功open建立链接，造成页面无法正常打开。

改进：web/views/js/app.js的home()方法中，异步监听ws的open建立成功：

//添加事件监听
ws.addEventListener('open', function () {
    Open('refresh');
});

剩余调整将会根据后续需要来逐步调整。。。