Webkit内核开源爬虫蜘蛛引擎

Posted 2020-11-08 Leo_wlCnBlogs

C#开发的基于Webkit内核开源爬虫蜘蛛引擎

https://www.cnblogs.com/micro-chen/p/9075590.html

概述
　　在各个电商平台发展日渐成熟的今天。很多时候，我们需要一些平台上的基础数据。比如：商品分类，分类下的商品详细，甚至业务订单数据。电商平台大多数提供了相应的业务接口。允许ISV接入，用来扩展自身平台的不足，更好的为使用者提供服务。但是平台的ISV接入门槛现在越来越高，审核也越来越严格。拿不到接口SDK的密钥，就只能望洋兴叹。

　　 针对这种情况，有时候就需要采取一些另类手段-蜘蛛爬虫。 模拟正常的客户端请求，对获取响应的内容进行解析，从内容提取关键内容。

蜘蛛爬虫的核心就是：发送http请求，获取响应。

万变不离其宗。使用python的做的爬虫比较多，相应的工具包也比较丰富。比如大名鼎鼎的 scrapy。但是这种单纯的发送请求 ，获取响应的引擎，有时候很难在响应式交互页面就显得捉鸡。大把大把的js ajax请求，让响应的内容并不是想要的结果。让蜘蛛引擎搭配浏览器内核，看起来是个不错的选择。尤其是对js H5支持较好的webkit内核，再好不过。

pthon 爬虫的典型：

scrapy + selenium + PhantomJS + libcef
　　作为C#的拥趸者，我们用C# 来实现上面的引擎机制。ShoppingWebCrawler 就是在这种背景下诞生的。

项目github地址：ShoppingWebCrawler
开发语言：C#

开发工具：Visual Studio 2015 +.Net Framework4.0

运行平台：Windows

支持集群：是

可视化工具：支持；可视化工具目前有针对蜘蛛的web浏览器工具，用来进行登录授权，进程共享cookie。ShoppingPeeker 项目用来实现对蜘蛛数据的可视化操作。

承载方式：Windows 服务。

支持高效TCP通信
支持集群部署
支持Windows 服务+Headless
支持会话可靠性 登录状态保持
支持模拟 Chrome 请求发送解析响应
内置libcef 支持V8 解析JS

姊妹篇同步发行
【ShoppingPeeker】-基于Webkit内核的爬虫蜘蛛引擎 ShoppingWebCrawler的姊妹篇-可视化任务Web管理

ShoppingWebCrawler
This Project is a WebCrawler build by .net framework .

本项目是一个基于使用微软.net framework 结合Google的webkit内核做的蜘蛛采集工具。 支持多进程的集群模式。实现高性能的蜘蛛采集！

项目概述
使用此工具，进行电商平台的数据采集。 本项目已经实现可以采集淘宝、天猫、京东、拼多多、一号店、国美、苏宁等主流电商平台的网页数据。

实现核心
1、使用基于 Xilium.CefGlue 的libcef绑定，实现C#操作webkit。进行可视化的登陆授权。不定时刷新，进行登陆状态的模拟和守护。

2、使用Topshelf+libcef的Headless 模式（无头模式），进行windows 服务承载。对蜘蛛进程进行挂载守护。

3、使用log4net进行日志记录

4、使用Quartz.Net 进行定时任务Schduler。

5、服务进程使用自定义高性能Socket（NTCPMessage）进行网络通信。对来自服务Client的请求进行请求应答。

6、集群模式，使用简易的多进程实现集群。开启不同的监听端口，实现采集任务的负载均衡，进而大幅度提升硬件服务器的使用效率。

Xilium.CefGlue 简介
Xilium.CefGlue是对CEF项目的.net的包装，它是用P/Invoke的方式来调用CEF类库的，请参见：https://bitbucket.org/xilium/xilium.cefglue/wiki/Home。 使用Xilium.CefGlue 可以实现.net 操作Chrome浏览器内核。进而实现浏览器网页加载，js V8的实现。

Topshelf简介
Topshelf是创建Windows服务的一种方法。Topshelf是一个开源的跨平台的宿主服务框架，支持Windows和Mono，只需要几行代码就可以构建一个很方便使用的服务宿主。

引用安装 1、官网：http://topshelf-project.com/ 这里面有详细的文档及下载

安装：TopshelfDemo.exe install

启动：TopshelfDemo.exe start

重启：TopshelfDemo.exe restart

卸载：TopshelfDemo.exe uninstall

什么是Headless浏览器？
简单的说就是一个没有UI界面的浏览器。使用命令行进行代码控制浏览器行为，常见于自动化单元测试。

如何使用？
1、下载源码到本地。比如：d:\\src

2、使用visual studio2015 打开项目并编译。

3、配置Redis 环境。本项目使用redis 进行进程间的cookie共享，从而实现登录凭据cookie的跨进程共享。在UI进程和Heaadless进程间进行Cookie共享。

4、运行 ShoppingWebCrawler.Host 项目，即可运行。

如何使用界面工具进行请求的可视化？
编译 ShoppingWebCrawler.Host.DeskTop ，得到UI 工具，可以对打开一个网址。比如登录淘宝，就可以在本地进程间共享淘宝登录凭据。从而实现 特定的蜘蛛采集任务。比如：采集某个类目的商品。采集商品优惠券。

如何在Windows 服务进行承载？
编译项目ShoppingWebCrawler.Host.WindowService,然后去项目的输出目录，在cmd 、powershell 定位到此目录。执行：

ShoppingWebCrawler.Host.WindowService.exe install 即可。如果想卸载，那么执行指令：ShoppingWebCrawler.Host.WindowService.exe uninstall .

参考topshelf的命令。

如何开启集群模式？
在项目ShoppingWebCrawler.Host 的app.config文件中

联系作者 MyBlog:http://www.cnblogs.com/micro-chen/ DotNET Core技术群: 59196458（剧透：张善友老师 项斌老师均在此群？）