[开源 .NET 跨平台 数据采集 爬虫框架: DotnetSpider] [一] 初衷与架构设计

Posted 2021-04-25 dotNET跨平台

一 ，为什么要造轮子

有兴趣的同学可以去各大招聘网站看一下爬虫工程师的要求，大多是JAVA，PYTHON甚至于还有NODEJS，C++，再或者在开源中国查询C#的爬虫，仅有几个非常简单或是几年没有更新的项目。从我看的一些文章来说，单纯性能上.NET对比JAVA，PYTHON并没有处于弱势，另根据我多年的开发经验大多爬虫性能瓶颈在并发下载（网速）、IP池，因此我认为用C#写一个爬虫框架绝对是可行的，那么为什么我大.NET没有一个强大的爬虫框架呢？说真的我不知道，可能爬虫框架核心上比较简单而没有被大牛看上，也可能.NET的开发人员没有别的语言的开发人员勤奋，或是.NET的开源氛围没有别的语言高。随着.NET开源消息的公布，我觉得是时候开发一个跨平台，跨语言的爬虫框架了。我不喜欢复杂的东西，总是觉得复杂的东西容易出问题，可能跟我个人能力有限，驾驭不了有关。所以设计DotnetSpider的时候是参考JAVA下一个轻量级爬虫框架webmagic，但是肯定有我自己的理解和改进在内的。此文是系列介绍第一篇，后面陆续会介绍详细用法及程序改动

另：个人代码水平有限，如果写得不好请大家指正海涵

二 ，框架设计

其实爬虫的设计我觉得还是挺成熟的，大部分都会拿出下图来说事，由于我是参考的webmagic，所以也少不得得贴上来给大家一看(图片是直接从webmagic上拿的)

• Scheduler：负责URL的调度，可以实现如Queue, PriorityScheduler, RedisScheduler(可用于分布式)等等

• Downloader: 负责下载html，可以实现如HttpDownloader, 浏览器的Downloader(WebDriver), FiddlerDownloader，本地文件Downloader等等

• PageProcesser: 负责HTML解析及新的符合规则的URL解析，从上图可以看到传入Processer的是Page对象，里面包含了下载好的完整HTML或者JSON数据

• Pipeline: 负责数据的存储, 可以实现如mysql, MySqlFile，MSSQL，MongoDb等等

三 ，与别的爬虫的差异

1. 使用JSON定义爬虫，所以可以最终实现跨语言（不同语言只要写一个JSON转换的provider就好）

2. 由于使用JSON做解析，所以可以实现类中属性是别的类的情况（仅限MongoDB, 关系型数据库不好存这种数据）\

3. 自动建表

4. 有.NET CORE版本，因此可以跨平台（已经在LINUX下运行大量任务了）

5. 有感于IP代理的不稳定性，因此代理模块没有细致测试使用，而是实现了另一种换IP手段（ADSL拨号）

6. 加入基本的数据验证模块

四 ，最基本使用方法

最基本的使用方法是不需要引用Extension, 引用Common, Core, JLog就好，然后需要你自己实现IPipeline和Processer

 

五 ，高级使用方法

1. 定义一个实体类，并在类上加合适的Attribute以便知道你要如何解析数据

2. 定义一个SpiderContextBuilder类，在里面配置爬虫名字，线程数，Scheduler,downloader等等

3. 在main中实类化你的爬虫类，调用run方法

五 ，代码地址

 望各位大佬加星:)

 

六 ，有想参与的或疑问的请加群

希望有更多的人参与进来把这个爬虫做大做强

477731655

---

.NET社区新闻，深度好文，微信中搜索dotNET跨平台或扫描二维码关注