爬虫程序定时执行和监控示例

 

 

 

 

简介

我们的爬虫程序在执行过程中，可能需要满足以下条件：

1、可以每天定时执行，爬取指定电商等网站内容。

2、可以对分布式爬虫进行监控，当爬虫程序挂掉之后，可以通知管理员。

 

下面我们来介绍如何实现这两个功能。

 

注意：

这里我们主要演示定时执行和监控功能，所以爬虫程序只是伪代码。如果想要详细了解如何实现网络爬虫，可以参考如下一些文章：

http://blog.csdn.net/u011204847/article/category/6210222

 

 

 

 

定时执行

Quartz调度框架

简介：

Quartz是一个完全由java编写的开源作业调度框架。尽管Quartz框架整合了许多额外功能， 但就其简易形式，你会发现它非常易用。简单地创建一个实现org.quartz.Job接口的java类。

Job接口包含唯一的方法：

public void execute(JobExecutionContext context)throws JobExecutionException;

在你的Job接口实现类里面，添加一些逻辑到execute()方法。一旦你配置好Job实现类并设定好调度时间表，Quartz将密切注意剩余时间。当调度程序确定该是通知你的作业的时候，Quartz框架将调用你Job实现类（作业类）上的execute()方法并允许做它该做的事情。无需报告任何东西给调度器或调用任何特定的东西。仅仅执行任务和结束任务即可。如果配置你的作业在随后再次被调用，Quartz框架将在恰当的时间再次调用它。

 

 

使用格式

首先Quartz Cron 表达式支持到七个域：

 

名称  是否必须    允许值 特殊字符

秒   是   0-59    , - * /

分   是   0-59    , - * /

时   是   0-23    , - * /

日   是   1-31    , - * ? / L W

月   是   1-12 或 JAN-DEC  , - * /

周   是   1-7 或 SUN-SAT   , - * ? / L #

年   否   空 或 1970-2099   , - * /

 

 

结构，以这个为例

0 11 11 11 11 ? 每年的11月11号 11点11分触发(光棍节)

 

可以看到基本结构是   秒_分_小时_日_月_[周]_[年] 后面的周和年是可选的

 

其次，通配符，主要的有星号(*)；问号(?)；减号(-)；逗号(,)；斜杠(/)；L字母；W字母；井号(#).

 

通配符含义：

星号：表示任意时刻

问号：只能在日或周字段上使用，如官方文档解释的那样，问号(?)的作用是指明该字段‘没有特定的值

减号：范围，如 1-5秒

逗号：列表，如 1,5,10 秒

斜杠：等步长序列，如3/13秒 表示 3,16,29,42,55,3,16...

L：仅在日和周上支持，表示允许的最后一个值，注意不要让范围和列表与L连用

W：工作日

井号：为给定月份指定具体的工作日实例。把“MON#2”放在周内日期字段中，表示把任务安排在当月的第二个星期一。

 

使用示例：

 

 

 

代码示例

 

Pom依赖：

<dependency>    <groupId>org.quartz-scheduler</groupId>    <artifactId>quartz</artifactId>    <version>1.8.4</version></dependency>

模拟的爬虫程序：

import java.text.SimpleDateFormat;import java.util.Date;//添加quartz依赖import org.quartz.Job;import org.quartz.JobExecutionContext;import org.quartz.JobExecutionException;//通过quartz实现定时任务需要实现Job接口public class SpiderTaobao implements Job{//重写Job中的execute方法public void execute(JobExecutionContext arg0) throws JobExecutionException {//设置时间输出格式SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyy年MM月dd日 HH时mm分ss秒");String time = simpleDateFormat.format(new Date());//打印爬虫执行时间System.out.println(time);//模拟爬虫程序System.out.println("爬取淘宝数据。。。。。。。。");}}

 

定时器实现爬虫程序定时：

//添加quartz依赖import org.quartz.CronTrigger;import org.quartz.JobDetail;import org.quartz.Scheduler;import org.quartz.impl.StdSchedulerFactory;public class SpiderTimer {public static void main(String[] args) {try {//1获取一个默认调度器Scheduler defaultScheduler = StdSchedulerFactory.getDefaultScheduler();//2开启调度器defaultScheduler.start();//封装要调度的任务String simpleName = SpiderTaobao.class.getSimpleName();JobDetail jobDetail = new JobDetail(simpleName,Scheduler.DEFAULT_GROUP, SpiderTaobao.class);//表示设置定时操作(每隔5秒执行一次)CronTrigger trigger = new CronTrigger(simpleName,Scheduler.DEFAULT_GROUP, "0/5 * * * * ?");//3执行调度任务defaultScheduler.scheduleJob(jobDetail, trigger);} catch (Exception e) {e.printStackTrace();}}}

执行SpiderTimer 的打印结果：

 

 

 

 

程序监控

Zookeeper环境

我们使用Zookeeper对爬虫程序进行监控。ZooKeeper是一个分布式的，开放源码的分布式应用程序协调服务，是Google的Chubby一个开源的实现，是Hadoop和Hbase的重要组件。它是一个为分布式应用提供一致性服务的软件，提供的功能包括：配置维护、域名服务、分布式同步、组服务等。

Zookeeper的分布式安装配置和一些命令可以参考：http://blog.csdn.net/u011204847/article/details/51327371

 

Zookeeper集群启动：

切换到集群所有主机Zookeeper的bin目录下，然后

./zkServer.sh start    //每台主机都开启Zookeeper

开启Zookeeper客户端：

切换到一台主机Zookeeper的bin目录下，然后

./zkCli.sh        //启动客户端

查看Zookeeper集群中节点信息：（创建临时节点后，在有效时间内，可以像以下这样查看临时节点）

 

 

 

监控流程

1、我们主要使用Zookeeper中临时节点的特性实现对爬虫程序的监控。临时节点默认生存期为40秒（也可以在代码中自定义）。

2、我们创建一个监视器程序，监视器永不停止并且一直监控Zookeeper中临时节点是否存在，如果爬虫程序挂了，那么临时节点会在指定时间消失，监视器发现没有临时节点或者有新增节点后，可以执行代码（例如发邮箱等）通知管理员。

 

程序示例

 

注意程序运行需要先开启Zookeeper集群

 

Pom依赖：

<dependency>    <groupId>org.apache.curator</groupId>    <artifactId>curator-framework</artifactId>    <version>2.8.0</version></dependency>

 

爬虫程序SpiderTaobao：

import java.net.InetAddress;import java.text.SimpleDateFormat;import java.util.Date;//添加curator依赖import org.apache.curator.RetryPolicy;import org.apache.curator.framework.CuratorFramework;import org.apache.curator.framework.CuratorFrameworkFactory;import org.apache.curator.retry.ExponentialBackoffRetry;import org.apache.zookeeper.CreateMode;import org.apache.zookeeper.ZooDefs.Ids;public class SpiderTaobao {public SpiderTaobao(){//指定zk集群的地址String connectString = "192.168.33.130:2181,192.168.33.131:2181,192.168.33.132:2181";//1000 ：代表是重试时间间隔     3：表示是重试次数RetryPolicy retryPolicy = new ExponentialBackoffRetry(1000, 3);//使用curator创建一个zk链接int sessionTimeoutMs = 2000;//这个值必须在4s--40s之间，表示是链接失效的时间int connectionTimeoutMs = 1000;//链接超时时间CuratorFramework client = CuratorFrameworkFactory.newClient(connectString, sessionTimeoutMs , connectionTimeoutMs , retryPolicy);//启动链接client.start();try {InetAddress localHost = InetAddress.getLocalHost();String ip = localHost.getHostAddress();client.create().creatingParentsIfNeeded()//如果父节点不存在，则创建.withMode(CreateMode.EPHEMERAL)//指定节点类型.withACL(Ids.OPEN_ACL_UNSAFE)//指定节点的权限信息.forPath("/Spider/"+ip);//指定节点名称} catch (Exception e) {e.printStackTrace();}}public static void main(String[] args) {SpiderTaobao spiderTaobao = new SpiderTaobao();//设置时间输出格式SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyy年MM月dd日 HH时mm分ss秒");String time = simpleDateFormat.format(new Date());//打印爬虫执行时间System.out.println(time);//模拟爬虫程序System.out.println("爬取淘宝数据。。。。。。。。");System.out.println("爬取结束");}}

 

监视器SpiderWatcher： 

import java.text.SimpleDateFormat;import java.util.Date;import java.util.List;import org.apache.curator.RetryPolicy;import org.apache.curator.framework.CuratorFramework;import org.apache.curator.framework.CuratorFrameworkFactory;import org.apache.curator.retry.ExponentialBackoffRetry;import org.apache.zookeeper.WatchedEvent;import org.apache.zookeeper.Watcher;/** * 创建一个监视器，这个监视器需要实现watcher接口 * 接口中有一个process方法。 * 当监视器发现监视的节点发生变化的时候，这个process方法会被调用 *  *  * 所以这个监视器是一个守护进程，也就是说一个永远不会停止的进程，类似于死循环 * */public class SpiderWatcher implements Watcher {CuratorFramework client;List<String> childrenList;public SpiderWatcher() {//在这需要指定监视的节点//指定zk集群的地址String connectString = "192.168.33.130:2181,192.168.33.131:2181,192.168.33.132:2181";//1000 ：代表是重试时间间隔     3：表示是重试次数RetryPolicy retryPolicy = new ExponentialBackoffRetry(1000, 3);//使用curator创建一个zk链接int sessionTimeoutMs = 2000;//这个值必须在4s--40s之间，表示是链接失效的时间int connectionTimeoutMs = 1000;//链接超时时间client = CuratorFrameworkFactory.newClient(connectString, sessionTimeoutMs , connectionTimeoutMs , retryPolicy);//启动链接client.start();try {//使用spiderwatcher监视器监视spider节点下面的所有子节点的变化情况(向spider节点注册监视器，这个监视器需要重复重复注册)childrenList = client.getChildren().usingWatcher(this).forPath("/Spider");} catch (Exception e) {e.printStackTrace();}}public void process(WatchedEvent event) {try {//重复注册监视器List<String> newChildrenList = client.getChildren().usingWatcher(this).forPath("/Spider");for (String node : childrenList) {if(!newChildrenList.contains(node)){//设置时间输出格式SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyy年MM月dd日 HH时mm分ss秒");String time = simpleDateFormat.format(new Date());//打印爬虫执行时间System.out.println(time);System.out.println("节点消失："+node);//给管理员发送短信，或者邮件//发短信的话可以使用一些第三方平台 云片网//发邮件的话使用  javamail}}for (String node : newChildrenList) {if(!childrenList.contains(node)){//设置时间输出格式SimpleDateFormat simpleDateFormat = new SimpleDateFormat("yyyy年MM月dd日 HH时mm分ss秒");String time = simpleDateFormat.format(new Date());//打印爬虫执行时间System.out.println(time);System.out.println("节点新增："+node);}}this.childrenList = newChildrenList;} catch (Exception e) {e.printStackTrace();}}public void start(){//为了保证让这个方法一直运行,因为这是一个监视器，不可以挂掉while(true){;}}public static void main(String[] args) {SpiderWatcher spiderWatcher = new SpiderWatcher();spiderWatcher.start();}}

监视器启动后状态：

 

 

监视器捕获到的程序状态：