开源小说漫画系统小说精品屋已经诞生了1年时间了，其间不少同窗咨询过我数据抓取的原理，我这里抽出空余时间详细说明一下小说爬虫模块的设计与实现。html
1. 建立application-crawl.yml配置文件，配置不一样网站的正则表达式规则。git
#爬取的网站名称类型 1：笔趣岛 ，2：笔趣塔, 3:顶点，4:百书斋，5:笔趣阁，6: 笔趣窝，默认百书斋 更多网站解析中，敬请期待
biquta:
crawlsource:
index-url: https://m.biquta.la
list-page-url: https://m.biquta.la/class/{0}/{1}.html
book-url-pattern: href="/(\d+_\d+)/"
score-pattern: <div\s+class="score">(\d+\.\d+)分</div>
book-name-pattern: <p class="title">([^/]+)</p>
author-pattern: 做者：([^/]+)<
status-pattern: 状态：([^/]+)</li>
cat-pattern: 类别：([^/]+)</li>
update-time-pattern: 更新：(\d+-\d+-\d+\s\d+:\d+:\d+)</a>
pic-pattern: <img src="([^>]+)"\s+onerror="this.src=
intro-pattern: class="review">([^<]+)</p>
catalog-url-pattern: <a\s+href="(/du/\d+_\d+/)">查看完整目录</a>
catalog-pattern: <a\s+style=""\s+href="(/\d+_\d+/\d+\.html)">([^/]+)</a>
biqudao:
crawlsource:
index-url: https://m.biqudao.net
list-page-url: https://m.biqudao.net/bqgeclass/{0}/{1}.html
book-url-pattern: href="/(bqge\d+)/"
score-pattern: <div\s+class="score">(\d+\.\d+)分</div>
book-name-pattern: <p class="title">([^/]+)</p>
author-pattern: <li class="author">做者：([^/]+)</li>
status-pattern: 状态：([^/]+)</li>
cat-pattern: 类别：([^/]+)</li>
update-time-pattern: 更新：(\d+-\d+-\d+\s\d+:\d+:\d+)</a>
pic-pattern: <img src="([^>]+)"\s+onerror="this.src=
intro-pattern: class="review">([^<]+)</p>
catalog-url-pattern: <a\s+href="(/bqge\d+/all\.html)">查看完整目录</a>
catalog-pattern: <a[^/]+style[^/]+href="(/bqge\d+/\d+\.html)">([^/]+)</a>
dingdian:
crawlsource:
index-url: http://m.xdingdiann.com
list-page-url: http://m.xdingdiann.com/sort/{0}/{1}.html
book-url-pattern: href="/(ddk\d+)/"
score-pattern: <div\s+class="score">(\d+\.\d+)分</div>
book-name-pattern: <p class="title">([^/]+)</p>
author-pattern: 做者：([^/]+)<
status-pattern: 状态：([^/]+)</li>
cat-pattern: 类别：([^/]+)</li>
update-time-pattern: 更新：(\d+-\d+-\d+\s\d+:\d+:\d+)</a>
pic-pattern: <img src="([^>]+)"\s+onerror="this.src=
intro-pattern: class="review">([^/]+)</p>
catalog-url-pattern: <a\s+href="(/ddk\d+/all.html)">查看完整目录</a>
catalog-pattern: <a\s+style=""\s+href="(/ddk\d+/\d+\.html)">([^/]+)</a>
baishuzhai:
crawlsource:
index-url: https://m.baishuzhai.com
list-page-url: https://m.baishuzhai.com/sort/{0}/{1}.html
book-url-pattern: href="/(ibook/\d+/\d+)/"
score-pattern: <div\s+class="score">(\d+\.\d+)分</div>
book-name-pattern: <p class="title">([^/]+)</p>
author-pattern: 做者：([^/]+)<
status-pattern: 状态：([^/]+)</li>
cat-pattern: 类别：([^/]+)</li>
update-time-pattern: 更新：(\d+-\d+-\d+)</li>
pic-pattern: <img src="([^>]+)"\s+onerror="this.src=
intro-pattern: class="review">([^/]+)</p>
catalog-url-pattern: <a\s+href="(/ibook/\d+/\d+/all\.html)">查看完整目录</a>
catalog-pattern: <a\s+style=""\s+href="(/ibook/\d+/\d+/\d+\.html)">([^/]+)</a>
biquge:
crawlsource:
index-url: http://m.biquge.info
list-page-url: http://m.biquge.info/paihangbang_lastupdate/{0}.html
book-url-pattern: href="/(\d+_\d+)/"
score-pattern: <i>(\d+)</i>
book-name-pattern: <a\s+href="/(\d+_\d+)/">([^<]+)</a>
author-pattern: 做者：([^<]+)<
status-pattern: <p>状态：([^<]+)</p>
cat-pattern: <a\s+href="/list/\d+_\d+\.html">([^<]+)</a>
update-time-pattern: <p>更新：(\d+-\d+-\d+T\d+:\d+:\d+)</p>
pic-pattern: <div\s+class="block_img2">\s*<img\s+src="([^"]+)"
intro-pattern: class="review">([^/]+)</p>
catalog-url-pattern: <a\s+href="(/ddk\d+/all.html)">查看完整目录</a>
catalog-pattern: <dd>\s*<a\s+href="(\d+\.html)"\s+title="([^"]+)">([^<]+)</a>\s*</dd>
复制代码
2. 建立基础的爬虫源抽象类，用于接收网站通用配置参数和定义基础的解析入库函数。github
/**
* 爬虫源
* @author 11797
*/
@Data
public abstract class BaseCrawlSource {
/**
* 采集的小说最低评分配置
* */
@Value("${books.lowestScore}")
private Float lowestScore;
/**
* 解析数据
* */
public abstract void parse();
/**
* 更新书籍
* */
public abstract void update();
}
复制代码
3. 建立不一样类型网站（Html，Json）的爬虫源抽象类，继承BaseCrawlSource，用于接收网站规则配置参数。web
/**
* html爬虫源
* @author 11797
*/
@Data
public abstract class BaseHtmlCrawlSource extends BaseCrawlSource{
/**
* 首页url
* */
private String indexUrl;
/**
* 列表页url
* */
private String listPageUrl;
/**
* 书籍url Pattern
* */
private String bookUrlPattern;
/**
* 评分 Pattern
* */
private String scorePattern;
/**
* 书名 Pattern
* */
private String bookNamePattern;
/**
* 做者 Pattern
* */
private String authorPattern;
/**
* 状态 Pattern
* */
private String statusPattern;
/**
* 类别 Pattern
* */
private String catPattern;
/**
* 更新时间 Pattern
* */
private String updateTimePattern;
/**
* 封面 Pattern
* */
private String picPattern;
/**
* 简介 Pattern
* */
private String introPattern;
/**
* 完整目录页url Pattern
* */
private String catalogUrlPattern;
/**
* 目录 Pattern
* */
private String catalogPattern;
}
复制代码
4. 建立多个不一样网站的爬虫源配置类，这里以百书斋爬虫源为例。正则表达式
/**
* 百书斋爬虫源配置类
* @author 11797
*/
@Slf4j
@Configuration
public class CrawlBaishuzhaiConfig {
/**
* 必须加此@Primary注解，否则报错，表示有多个爬虫源配置类被加载时默认加载此配置类
* 下一个爬虫源配置类则不须要添加
* */
@Bean
@Primary
@ConfigurationProperties(prefix = "baishuzhai.crawlsource")
@ConditionalOnProperty(prefix = "crawl.website",name = "type",havingValue = "4")
public BaseHtmlCrawlSource dingdianCrawlSource() {
return new BiquCrawlSource();
}
}
复制代码
5. 经过配置开启默认爬虫源。markdown
#爬取的网站名称类型 1：笔趣岛 ，2：笔趣塔,3:顶点小说 ，4：百书斋,6: 笔趣窝 更多网站解析中，敬请期待
crawl:
website:
type: 4
复制代码
6. 定义具体的爬虫源类BiquCrawlSource，继承抽象类BaseHtmlCrawlSource，实现源网站解析方法parse()和数据更新方法update()。解析方法解析小说基础属性，生成解析日志，更新方法经过解析日志采集小说全部数据进行新书入库和老书更新，代码过多，只贴出部分解析代码。app
//解析第一页小说的数据
//小说页URI正则匹配
Pattern bookUriPatten = compile(getBookUrlPattern());
Matcher bookUriMatcher = bookUriPatten.matcher(bookListHtml);
boolean bookUriFind = bookUriMatcher.find();
//小说评分正则匹配
Pattern scorePatten = compile(getScorePattern());
Matcher scoreMatch = scorePatten.matcher(bookListHtml);
boolean scoreFind = scoreMatch.find();
//小说名正则匹配
Pattern bookNamePatten = compile(getBookNamePattern());
Matcher bookNameMatch = bookNamePatten.matcher(bookListHtml);
boolean bookNameFind = bookNameMatch.find();
while (bookUriFind && scoreFind && bookNameFind) {
try {
//小说基础信息可以匹配到
Float score = Float.parseFloat(scoreMatch.group(1));
if (score < getLowestScore()) {
//只采集指定评分以上的小说
continue;
}
//获取小说基础信息，生成采集日志
String bookUri = bookUriMatcher.group(1);
String bookUrl = getIndexUrl() + "/" + bookUri + "/";
String bookName = bookNameMatch.group(1);
bookService.addBookParseLog(bookUrl, bookName, score, (byte) 10);
} catch (Exception e) {
//小说解析出现异常，不作处理，继续下一本小说的解析
log.error(e.getMessage(), e);
} finally {
//跳到下一本小说的解析
bookUriMatcher.find();
bookUriFind = bookUriMatcher.find();
scoreFind = scoreMatch.find();
bookNameFind = bookNameMatch.find();
}
}
复制代码
7. 监听程序启动，注入爬虫源，循环执行源网站解析方法parse()和数据更新方法update() 。函数
为了实时（和源站小说最新章节更新时间保持一致）的采集小说最新更新章节，程序须要循环不断的获取源站最新更新小说分页列表信息，若是一本小说数据所有采集完再采集下一本，而一本小说全部数据采集完是秒级甚至是分钟级的，这样采集完一页是须要必定时间的，而源站最新更新列表是不断刷新的，这样就会由于采集到的分页数据不连贯而致使小说采集遗漏，故小说解析（毫秒级，不会致使采集到的分页数据不连贯）与小说更新操做（秒级或分钟级）分开来作。oop