基于HttpClient4.0的网络爬虫基本框架（Java实现）

实现语言：Java

模拟HTTP请求：HttpClient 4.0

目标页面结构分析、HTTP请求头信息分析：Firefox + firebug / Chrome（F12 开发者模式）

HTML解析：Jsoup

基本思路

网络爬虫的基本思路是：爬虫线程从待抓取URL队列中拿取一个URL -> 模拟浏览器GET请求到目标URL -> 将网页内容下载回来 -> 然后对页面的内容进行解析、获取目标数据保存到相应的存储 -> 再以一定的规则从当前抓取的网页中获取接下来需要继续爬取的URL。

当然以上思路是建立在爬取过程无需模拟登录、被爬的网站比较善良不会做一些“反爬”的工作的基础上，然而现实中，模拟登录有时还是非常重要的（如新浪微博）；不会反爬的网站也少之又少，当频访问站点时，可能会被冻结账号、封IP、返回“系统繁忙”“请慢点儿访问”等信息。因此需要对爬虫进行健壮性增强：增加对反爬信息的处理、动态切换账号/IP、访问时间delay等。

程序架构

由于模拟登录模块比较复杂，并且不同的网站实现的机制也不尽相同，因此这里只给出一个示意图，下文主要针对不需要进行登录的爬虫进行分析。

Worker：每一个worker就是一个爬虫线程，由主线程SpiderStarter创建

Login（可选）：爬虫模拟登录模块，可以设置一个账号队列，一旦账号被冻结，则将其放入队列尾部，并从头部获取一个新账号再次登录。队列的长度需 >= 账号冻结时间 / 每个账号可以支持的连续爬取时间

Fetcher：爬虫模拟浏览器发出GET URL请求，下载页面

Handler：对Fetcher下载的页面进行初步处理，如判断该页面的返回状态码是否正确、页面内容是否为反爬信息等，从而保证传到Parser进行解析的页面是正确的

Parser：对Fetcher下载的页面内容进行解析，获取目标数据

Store：将Parser解析出的目标数据存入本地存储，可以是MySQL传统数据库，也可以Redis等KV存储

待抓取队列：存放需要抓取的URL

已抓取队列：存放已经抓取到的页面的URL

程序流程图

以下为爬虫实现的流程图，图中绿色方框代表这几个步骤是在同一个模块中的，模块名称用红字表明。