`

htmlunit爬虫优化方案

阅读更多
发现很多人搞爬虫会把python作为首选技术,理由是简单,作为一家公司技术栈,多出一样语言是要多出很多维护成本的;本人最熟悉的还是java,所以对java内存浏览器技术htmlunit做了一次研究,发现原生的htmlunit的性能及对多线程的支持不是那么友好,特别是使用代理ip后,oom是很正常的,监控程序并查看源码总结问题原因:
  • 1、js执行器执行js是使用多线程执行,在关闭js执行线程的时候,使用com.gargoylesoftware.htmlunit.javascript.background.DefaultJavaScriptExecutor这个类的时候,有段代码。

引用
private void killThread() {
        if (eventLoopThread_ == null) {
            return;
        }
        try {
            eventLoopThread_.interrupt();
            eventLoopThread_.join(10_000);
        }
        catch (final InterruptedException e) {
            LOG.warn("InterruptedException while waiting for the eventLoop thread to join ", e);
            // ignore, this doesn't matter, we want to stop it
        }
        if (eventLoopThread_.isAlive()) {
            if (LOG.isWarnEnabled()) {
                LOG.warn("Event loop thread "
                        + eventLoopThread_.getName()
                        + " still alive at "
                        + System.currentTimeMillis());
                LOG.warn("Event loop thread will be stopped");
            }

            // Stop the thread
            eventLoopThread_.stop();
        }
    }

上面代码的问题:
引用
eventLoopThread_.interrupt();
eventLoopThread_.join(10_000);

不要觉得interrupt真的就会关闭线程,比如正在执行io操作或者同样该线程在处于sleep状态,interrupt就不会终止线程,所以这里住线程要等待eventLoopThread执行10秒才会继续往下跑。

2、DefaultJavaScriptExecutor在使用外部线程池开启webclient抓取网页的时候,经常会出现线程不关闭的情况,问题代码如下:

引用
public void run() {
        final boolean trace = LOG.isTraceEnabled();
        // this has to be a multiple of 10ms
        // otherwise the VM has to fight with the OS to get such small periods
        final long sleepInterval = 10;
        while (!shutdown_.get() && !Thread.currentThread().isInterrupted() && webClient_.get() != null) {
            final JavaScriptJobManager jobManager = getJobManagerWithEarliestJob();

            if (jobManager != null) {
                final JavaScriptJob earliestJob = jobManager.getEarliestJob();
                if (earliestJob != null) {
                    final long waitTime = earliestJob.getTargetExecutionTime() - System.currentTimeMillis();

                    // do we have to execute the earliest job
                    if (waitTime < 1) {
                        // execute the earliest job
                        if (trace) {
                            LOG.trace("started executing job at " + System.currentTimeMillis());
                        }
                        jobManager.runSingleJob(earliestJob);
                        if (trace) {
                            LOG.trace("stopped executing job at " + System.currentTimeMillis());
                        }

                        // job is done, have a look for another one
                        continue;
                    }
                }
            }

            // check for cancel
            if (shutdown_.get() || Thread.currentThread().isInterrupted() || webClient_.get() == null) {
                break;
            }

            // nothing to do, let's sleep a bit
            try {
                Thread.sleep(sleepInterval);
            }
            catch (final InterruptedException e) {
                Thread.currentThread().interrupt();
            }
        }
    }


此处问题代码:
引用
while (!shutdown_.get() && !Thread.currentThread().isInterrupted() && webClient_.get() != null)

外部线程内部关闭webclient.close()的时候,当外部线程要主动关闭本线程的时候,就像outStream没把out.close()写在finally里面,永远不会关闭js执行器线程。

  • 3、其实htmlunit性能差还有一个最重要的问题所在,就是每次抓取同一个页面,都要去下载相同的资源,htmlunit下载页面的代码是在类com.gargoylesoftware.htmlunit.HttpWebConnection里面(js,css,jpg)


主要的方法代码如下:
引用
  /**
     * Reads the content of the stream and saves it in memory or on the file system.
     * @param is the stream to read
     * @param maxInMemory the maximumBytes to store in memory, after which save to a local file
     * @return a wrapper around the downloaded content
     * @throws IOException in case of read issues
     */
    public static DownloadedContent downloadContent(final InputStream is, final int maxInMemory) throws IOException {
        if (is == null) {
            return new DownloadedContent.InMemory(null);
        }

        try (ByteArrayOutputStream bos = new ByteArrayOutputStream()) {
            final byte[] buffer = new byte[1024];
            int nbRead;
            try {
                while ((nbRead = is.read(buffer)) != -1) {
                    bos.write(buffer, 0, nbRead);
                    if (bos.size() > maxInMemory) {
                        // we have exceeded the max for memory, let's write everything to a temporary file
                        final File file = File.createTempFile("htmlunit", ".tmp");
                        file.deleteOnExit();
                        try (OutputStream fos = Files.newOutputStream(file.toPath())) {
                            bos.writeTo(fos); // what we have already read
                            IOUtils.copyLarge(is, fos); // what remains from the server response
                        }
                        return new DownloadedContent.OnFile(file, true);
                    }
                }
            }
            catch (final ConnectionClosedException e) {
                LOG.warn("Connection was closed while reading from stream.", e);
                return new DownloadedContent.InMemory(bos.toByteArray());
            }
            catch (final EOFException e) {
                // this might happen with broken gzip content
                LOG.warn("EOFException while reading from stream.", e);
                return new DownloadedContent.InMemory(bos.toByteArray());
            }

            return new DownloadedContent.InMemory(bos.toByteArray());
        }
    }


修改代码,只要把重复下载的代码缓存起来,就可以大大增加抓取性能,同时还可以动态修改网页js。

4、htmlunit设置requestTimeout时是无法单独设置conectiontimeout和socketTimeout,比方说设置requestTimeout=10000,那么 htmlclient的conectiontimeout=10000和socketTimeout=10000,这是有问题的,conectiontimeout一般情况应该设置低于100毫秒为宜,设置代码在 com.gargoylesoftware.htmlunit.HttpWebConnection
方法:
引用
private static RequestConfig.Builder createRequestConfigBuilder(final int timeout, final InetAddress localAddress) {
        final RequestConfig.Builder requestBuilder = RequestConfig.custom()
                .setCookieSpec(HACKED_COOKIE_POLICY)
                .setRedirectsEnabled(false)
                .setLocalAddress(localAddress)

                // timeout
                .setConnectTimeout(timeout)
                .setConnectionRequestTimeout(timeout)
                .setSocketTimeout(timeout);
        return requestBuilder;
    }



综上,把上述几点都完善,htmlunit不比只能多进程的python爬虫性能差,而且能够做黑帽。
分享到:
评论

相关推荐

    htmlunit-2.31.jar

    标签"爬虫"和"抓取"强调了HTMLUnit在Web抓取领域的应用,它可以用于构建自动化的网络爬虫,从网页上批量收集和处理数据。而"解析"标签则提示我们HTMLUnit能够帮助解析复杂的HTML结构,提取所需的信息。 在实际使用...

    htmlunit-2.30核心文件

    这个"htmlunit-2.30"压缩包包含了HTMLUnit库的2.30版本,这是一个关键的更新,因为它可能包含了对新特性的支持、性能优化或者修复了一些已知问题。不用通过SourceForge下载,意味着这个版本可能是国内镜像站点提供的...

    htmlunit-2.26-bin

    7. **性能优化**:由于HTMLUnit是基于Java的,因此可以利用多线程技术并行处理多个网页,提高抓取效率。同时,合理设置`WebClient`的配置,如超时时间、重试策略等,也能提升性能。 8. **与其他库的集成**:...

    htmlunit-2.27-src.zip

    HTMLUnit是一个强大的Java库,它...总之,"htmlunit-2.27-src.zip"是一个宝贵的开发资源,提供了深入理解HTMLUnit运作机制的机会,无论是为了优化现有项目,还是为了学习Web自动化和爬虫技术,都具有很高的学习价值。

    htmlunit-2.14.jar下载,全套

    7. **Android兼容**:尽管HTMLUnit主要是为Java桌面环境设计的,但描述中提到“Android”,意味着这个特定的版本可能已经过优化,能够在Android平台上运行,这对于移动设备上的爬虫开发很有价值。 在使用HTMLUnit...

    java网络爬虫搜索引擎

    Java网络爬虫搜索引擎是开发用于抓取互联网上信息的...同时,面对各种反爬策略,还需要灵活应对,不断优化爬虫的稳定性和效率。通过学习和实践,你可以构建出强大的网络爬虫系统,用于抓取、分析和利用互联网上的信息。

    htmlunit-2.9-bin.zip )

    1. **无头浏览**:HTMLUnit可以在后台运行,无需用户界面,这对于自动化测试、爬虫或者需要大量网页处理的项目非常有用。 2. **JavaScript支持**:通过Rhino引擎,HTMLUnit能够执行JavaScript代码,这意味着它可以...

    Java开源的网络爬虫

    综上所述,"Java开源的网络爬虫"是一个全面的解决方案,涵盖网络请求、HTML解析、数据存储等多个方面,为开发者提供了构建高效、可扩展的爬虫的工具和平台。通过学习和使用这样的开源项目,开发者可以提升自己的网络...

    Java 项目-基于网络爬虫技术的网络新闻分析.zip

    总之,这个Java项目结合了网络爬虫技术和数据库管理,提供了一套完整的解决方案,用于从网络上抓取和分析新闻数据。学习和理解这个项目将有助于提升你在Java编程、网络爬虫和数据处理方面的技能。

    徐凯 2017-08-291

    一是舆情分析项目,通过Jsoup、HtmlUnit爬虫获取数据,利用Spring Cloud、Kafka和Spark2.2进行处理。项目中采用了贝叶斯算法,通过数据爬取、标记、分词、模型训练和实时预测,实现了对公司新闻的正负面分类。二是...

    基于java的搜索引擎排名优化技术的实现(开题报告+源码+论文+所有需要的文档)

    8. **源码与文档**:项目提供了开题报告、论文和所有需要的文档,这有助于理解项目的整体设计思路、实施步骤和技术细节,以及优化过程中遇到的问题和解决方案。 9. **毕业设计**:此项目适合作为毕业设计,因为它...

    java采集工具(源码)

    Java采集工具是一款基于HTMLUnit库的数据采集程序,其源码提供了深入理解网页抓取和解析技术的机会。...通过对源码的学习,开发者可以深化对Java、HTMLUnit和XPath的理解,提升在网络爬虫领域的技能。

    java web项目实战大全源码搜索引擎

    通过学习这个项目的源码,开发者可以提升在Java Web开发、搜索引擎构建和网络爬虫方面的技能,从而能够构建自己的搜索解决方案或者改进现有的系统。对于想要深入理解Web应用全栈开发的人员来说,这是一个非常有价值...

    基于java的文本搜索引擎的设计与实现源码.zip

    1. **爬虫模块**:Java爬虫负责抓取网页内容,通常使用Jsoup或HtmlUnit等库解析HTML,提取文本信息。同时,爬虫需要处理URL管理、反爬虫策略以及多线程爬取等问题。 2. **预处理模块**:包括HTML去噪、分词、词干化...

Global site tag (gtag.js) - Google Analytics