黃子純 蔡敏

摘要：針對在傳統(tǒng)的爬蟲系統(tǒng)中，按照一定規(guī)則自動抓取相關信息時，通常包含大量的無效信息這一問題，提出了一種基于Java多線程的智能圖片爬蟲系統(tǒng)。該系統(tǒng)以爬取圖片為例，利用HttpClient、JSoup、WebMagic框架以及線程池技術，實現(xiàn)了在傳統(tǒng)爬蟲系統(tǒng)基礎上增加圖片篩選模塊，可以智能爬取有效圖片，并且自動過濾重復圖片，進一步優(yōu)化了基于Java多線程的傳統(tǒng)爬蟲系統(tǒng)。

關鍵詞：網(wǎng)絡爬蟲;多線程;HttpClient;JSoup;WebMagic

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）22-0055-03

1 引言

隨著人工智能領域的不斷發(fā)展，誕生了許多分支研究。不管是語音處理，圖像識別，還是自然語言處理，都面臨著需要大量數(shù)據(jù)集的問題，人工收集數(shù)據(jù)需花費大量的時間與精力。解決這一問題的技術就是爬蟲技術，因此爬蟲技術也成為獲取數(shù)據(jù)集的重要工具。

對于傳統(tǒng)的爬蟲來說，爬取得到的數(shù)據(jù)集并不能保證正確性與完整性，以爬取圖片為例，爬取到的圖片一方面會得到重復圖片。另一方面，既不能保證得到的圖片格式是正確的（比如png或gif格式會直接轉(zhuǎn)為jpg格式） ，也不能保證爬取得到的圖片是完整的（比如下載的圖片只顯示一半） ，因此傳統(tǒng)的爬蟲系統(tǒng)在爬取數(shù)據(jù)之后，反而需要消耗大量時間篩選有效數(shù)據(jù)，造成資源浪費，在大數(shù)據(jù)環(huán)境下，數(shù)據(jù)爬蟲的有效性也是非常的重要，因此本文以爬取圖片為例，利用HttpClient、JSoup、WebMagic框架以及線程池技術，實現(xiàn)了智能爬取有效圖片，在爬蟲階段，實現(xiàn)自動過濾重復圖片，有效提高了圖片的正確性。

2 爬蟲相關技術

2.1 爬蟲技術介紹

爬蟲技術的出現(xiàn)有效簡化了人工收集數(shù)據(jù)的煩瑣流程，其主要作用是在互聯(lián)網(wǎng)的眾多頁面中，通過特定的程序，按照一定的規(guī)則遍歷網(wǎng)頁信息，爬取所需的信息，并將爬取得到的信息數(shù)據(jù)進行存儲，爬蟲技術具有網(wǎng)頁采集，網(wǎng)頁分析以及數(shù)據(jù)存儲三個模塊，其特點包括以下幾部分：

分布式——可以在分布式環(huán)境中跨多臺計算機同步進行。

高質(zhì)量——爬蟲技術獲取得到的頁面普遍質(zhì)量較高[1]。

實時性——對于隨時更新的頁面，例如，新聞、更新小說等，能保持爬取得到的數(shù)據(jù)具有實時性[2]。

可擴展性——爬蟲程序的可擴展性能夠適應不同數(shù)據(jù)格式以及不同協(xié)議[3]。

在進行大數(shù)據(jù)分析或者進行數(shù)據(jù)挖掘的時候，需要有數(shù)據(jù)源進行分析。爬蟲技術的誕生，滿足了對日益增加大量數(shù)據(jù)源的需求，爬蟲技術自動抓取數(shù)據(jù)內(nèi)容，爬取得到數(shù)據(jù)集，再進行更深層次的數(shù)據(jù)分析、圖片識別、語音識別等人工智能領域方面的研究，獲取更多有價值的信息。

2.2 HttpClient技術介紹

HttpClient是Java網(wǎng)絡爬蟲的核心技術之一，網(wǎng)絡爬蟲是通過程序自動爬取網(wǎng)絡上的資源，而互聯(lián)網(wǎng)的訪問網(wǎng)頁協(xié)議使用的都是http協(xié)議，http協(xié)議主要規(guī)則是針對文本、聲音、圖像等之間信息交換的面向事務的應用層協(xié)議[4]。HttpClient在面向http協(xié)議編程時，極大降低了編程的復雜度，并且其支持最新的協(xié)議版本。

2.3 JSoup技術介紹

JSoup是一款功能較大的第三方開源HTML解析器，能夠通過對網(wǎng)頁中的文本標簽的屬性，針對不同格式的文本內(nèi)容進行解析。通過JSoup提供的一套API，能夠非常方便地對所需數(shù)據(jù)進行解析和操作[5]。JSoup一方面在瀏覽器中找到相應源碼后，能夠針對HTML中的URL，文件或字符串找到對應標簽并進行解析，另一方面能夠通過不同選擇器來抓取所需數(shù)據(jù)，其功能的強大在于，只需在瀏覽器中查找源代碼，找到所需內(nèi)容對應的標簽，便能夠?qū)θ我飧袷降奈谋緢D片進行解析。

2.4 WebMagic框架介紹

WebMagic框架包括核心和擴展兩部分，將其代碼模塊化是WebMagic框架的主要目標。其中，核心部分（WebMagic-Core）實現(xiàn)了代碼的模塊化，擴展部分（WebMagic-Extension）則提供了注解模式、內(nèi)置常用組件等一系列功能，更便于網(wǎng)頁爬蟲實現(xiàn)。

WebMagic包含了 Downloader、PageProcessor、Scheduler、Pipeline 四大組件[6]，由Spider把這四大組件組織起來，使其可以互相交互，流程化地執(zhí)行相關操作。其中，Downloader表示爬蟲生命周期中的下載、PageProcessor表示爬蟲生命周期中的處理、Scheduler表示爬蟲生命周期中的管理和Pipeline表示爬蟲生命周期的持久化功能，而Spider是一個大的容器，也是WebMagic邏輯的核心。

2.5 線程池技術介紹

線程池技術廣泛應用于解決線程消耗資源問題，在執(zhí)行具體任務的過程中將其添加到線程池中，相當于對所有任務進行統(tǒng)一管理，當線程創(chuàng)建完成之后，線程池中的任務會自動啟動。多個線程能夠同時抓取數(shù)據(jù)，可以實現(xiàn)程序多任務執(zhí)行。隨著多核處理器在現(xiàn)代計算機設備中的流行，在軟件中使用多線程程序的頻率也隨之增加，多線程技術可有效提高程序運行效率，但是多線程的模式需要不停地建立與摧毀線程，雖然同生成進程相比，創(chuàng)建線程的時間已經(jīng)很短了，當這個操作被大量執(zhí)行，依然會造成很多時間資源的浪費[7]。而線程池主要目標就是對線程資源進行統(tǒng)一管理，線程池的優(yōu)點是節(jié)約了線程的創(chuàng)建和銷毀所占用的時間[8]。

3 智能圖片爬蟲系統(tǒng)介紹

3.1 智能圖片爬蟲系統(tǒng)功能架構(gòu)

傳統(tǒng)的爬蟲系統(tǒng)使用WebMagic框架，其主要功能模塊為網(wǎng)頁獲取模塊，該模塊主要獲取得到具體網(wǎng)頁;網(wǎng)頁分析模塊，該模塊主要功能為解析具體網(wǎng)頁內(nèi)容;數(shù)據(jù)存儲模塊，該模塊將爬取得到的數(shù)據(jù)進行存儲。其中，傳統(tǒng)爬蟲系統(tǒng)中的網(wǎng)頁獲取與網(wǎng)頁分析可以為一個模塊組，且該模塊組為實現(xiàn)功能主要模塊，該模塊組內(nèi)含網(wǎng)頁獲取、網(wǎng)頁分析、URL管理三大模塊。如圖1所示。

圖1中架構(gòu)顯示，用戶提交http請求，在得到響應后，從Internet上獲得網(wǎng)頁上的 URL，這一過程中，獲取得到的可能是HTML、JSON或者其他文本格式的內(nèi)容。接著進行使用JSoup對page解析，并且不斷地從當前頁面上抽取新的URL放入到URL管理模塊中，其中，網(wǎng)頁分析模塊會對當前網(wǎng)頁的URL進行保存，而Request就是對URL地址的一層封裝，發(fā)出一個Request請求也就對應一個URL地址。通過網(wǎng)頁分析后得到的Resultltems相當于一個集合，爬取得到的數(shù)據(jù)放在Resultltems中，最后對其進行數(shù)據(jù)存儲。本文在傳統(tǒng)爬蟲系統(tǒng)的基礎上增加了一個篩選圖片功能模塊，如圖2所示。

智能圖片爬蟲系統(tǒng)的功能模塊包括網(wǎng)頁獲取與分析模塊，該模塊組內(nèi)含網(wǎng)頁獲取、網(wǎng)頁分析、URL管理、圖片篩選以及數(shù)據(jù)存儲五大模塊。

3.2 智能圖片爬蟲系統(tǒng)功能模塊介紹

1） 網(wǎng)頁獲取。傳統(tǒng)網(wǎng)絡爬蟲的基本原理是，HttpClient創(chuàng)建對象相當于創(chuàng)建瀏覽器，傳統(tǒng)爬蟲系統(tǒng)通過http請求，發(fā)送給指定頁面，得到響應后，便可對網(wǎng)頁進行分析，并完成相應的數(shù)據(jù)爬取。

2） 網(wǎng)頁分析。網(wǎng)頁分析模塊將存儲在HTML框架中的文本一一解析，從具體標簽中爬取有效信息，常用的方法包括通過字符串處理工具和使用正則表達式提取文本數(shù)據(jù)。但是這些方法都會帶來很大的開發(fā)成本，所以本文使用一款專門解析HTML頁面的技術JSoup實現(xiàn)網(wǎng)頁內(nèi)容提取。

3） URL管理。在數(shù)據(jù)進行解析的過程中，會出現(xiàn)兩種情況，一種是在當前頁面已經(jīng)拿到所需數(shù)據(jù)，則可直接進行圖片篩選，反之，需再次請求新的URL，本模塊將抽取得到的URL進行統(tǒng)一管理，保存完成后可直接進行解析。

4） 圖片篩選。圖片篩選模塊的基本流程如圖3所示：

圖片篩選模塊對兩張圖片進行像素比對，在獲取得到圖片的像素個數(shù)大小后，使用循環(huán)的方式，對兩張圖片的像素進行一一對比，在循環(huán)過程中，一旦比較確認兩個像素點不同，則退出循環(huán)，計算相似度。

5） 數(shù)據(jù)存儲。爬蟲得到數(shù)據(jù)集后需存儲數(shù)據(jù)，一種方式可以將數(shù)據(jù)集存儲到本地文件，另一種方式將數(shù)據(jù)集保存到數(shù)據(jù)庫。爬取少量數(shù)據(jù)則可選擇保存到本地文件這一方式，大量數(shù)據(jù)一般選擇保存到數(shù)據(jù)庫。數(shù)據(jù)庫可以選擇使用MySQL數(shù)據(jù)庫，這是一個開源的數(shù)據(jù)庫。MYSQL數(shù)據(jù)庫體積小、靈活性強、速度快，這保證了爬蟲的效率。

3.3 智能圖片爬蟲系統(tǒng)實現(xiàn)

智能圖片爬蟲系統(tǒng)具體實現(xiàn)是創(chuàng)建HttpClient對象，對目標網(wǎng)頁發(fā)出請求，得到響應后則開始解析網(wǎng)頁內(nèi)容，解析過程中會將URL進行統(tǒng)一管理，抽取到URL管理模塊，當前響應內(nèi)容存在所需圖片時，便可抓取圖片對圖片進行篩選，篩選完成后存入數(shù)據(jù)庫中，當前響應內(nèi)容不存在所需圖片時，可通過URL管理模塊抓取得到所需圖片。具體實現(xiàn)如下所示：

1） 網(wǎng)頁獲取模塊實現(xiàn)

傳統(tǒng)的網(wǎng)絡爬蟲使用HttpClient創(chuàng)建對象，通過設置URL直接獲取訪問地址并解析，核心代碼如下：

//使用Httpclient發(fā)起請求，獲取響應

CloseableHttpResponse response = httpClient.execute（httpPost）;

//解析響應

if （response.getStatusLine（）.getstatusCode（） == 200）{

string content = EntityUtils.toString（response.getEntity（），"utf8"）;

}

HttpClient每次創(chuàng)建對象相當于創(chuàng)建一個瀏覽器，同樣銷毀對象相當于關閉瀏覽器，可以看出每次請求都要創(chuàng)建 HttpClient，會有頻繁創(chuàng)建和銷毀的問題，因此本文使用連接池來避免出現(xiàn)頻繁創(chuàng)建和銷毀問題，核心代碼如下：

//創(chuàng)建連接池管理器

PoolingHttpClientConnectionManager cm = new PoolingHttpClientConnectionManager（）;

//使用連接池管理器發(fā)起請求

doGet（cm）;

//從連接池中獲取Httpclient對象

CloseableHttpClient httpClient = HttpClients.custom（） . setConnectionManager（cm）.build（）;

2） 網(wǎng)頁分析模塊實現(xiàn)

獲取到訪問地址之后并不是我們真正需要的數(shù)據(jù)集，還需對其進行解析，核心代碼如下：

//解析HTML標簽

Document doc = Jsoup.parse（new File（“訪問路徑”），“utf-8”）;

//獲取所有圖片

Elements element = doc.body（）.getElementsByClass（"具體元素"）.select（"li"）;

3） URL管理實現(xiàn)

URL管理模塊保存的是頁面中抓取到的超鏈接地址，網(wǎng)頁分析模塊會自動請求該頁面并分析獲取信息。本智能圖片爬取系統(tǒng)以爬取“圖片之家”為例，按照實際頁面結(jié)構(gòu)獲取URL。核心代碼實現(xiàn)如下：

//獲取圖片鏈接

page.addTargetRequests（page.getHtml（）.css（“具體標簽”）.link（）.all（））;

4） 篩選圖片模塊實現(xiàn)

使用注解單一屬性定義兩張圖片，預先分析得到的圖片定義為預期圖片，后分析得到的圖片定義為實際圖片，之后對這兩張圖片進行對比，核心代碼如下：

//像素比較

if（imageInput == imageoutput）{

for （int j = 0;j

if （imagefileInput.getElem（j） ！= imagefileOutPut.getElem（j）） {

imageG++;

}}

}else {

flagF=（imageInput+imageoutput）/2;

}

//計算相似度

double similarity=1-（double）（ imageG *2）/（ imageInput+imageoutput）;

5） 數(shù)據(jù)存儲實現(xiàn)

目前已經(jīng)實現(xiàn)將篩選得到的圖片保存在內(nèi)存，還需將圖片保存到數(shù)據(jù)庫中。在WebMagic框架中用于抽取結(jié)果進行保存會使用pipeline 做一個輸出，但其沒有保存到數(shù)據(jù)庫的輸出，而考慮到這一問題后，設計了pipeline 的接口，接口中只有一個方法，只需要實現(xiàn)這個方法就能實現(xiàn)數(shù)據(jù)庫存儲，核心代碼如下：

//圖片到數(shù)據(jù)庫中

this.jobJnfoService.save（jobInfo）;

4 結(jié)束語

本文基于Java語言開發(fā)，在eclipse IDE 2021.3版本基礎上通過實現(xiàn)Java多線程智能圖片爬蟲程序，可以表明通過增加篩選圖片模塊能夠減少圖片的重復性，并且能夠提高其有效性。但本文所設計的系統(tǒng)還需進一步完善，比如在進行圖片篩選時，存在智能圖片爬蟲系統(tǒng)所消耗的時間和占用系統(tǒng)資源較大的問題。此外，目前許多網(wǎng)站都會對網(wǎng)絡爬蟲做一定的限制，請求訪問網(wǎng)頁的程序當線程和進程數(shù)量過多時會被禁止，沒有實現(xiàn)代理機制，所以智能圖片爬取系統(tǒng)效率的提升在實際環(huán)境中還有較大優(yōu)化空間。

參考文獻：

[1] Yu L X，Li Y L，Zeng Q T，et al.Summary of web crawler technology research[J].Journal of Physics：Conference Series，2020，1449（1）：012036.

[2] Pavai G，Geetha T V.Improving the freshness of the search engines by a probabilistic approach based incremental crawler[J].Information Systems Frontiers，2017，19（5）：1013-1028.

[3] Deka G C.NoSQL web crawler application[J]. Advances in Computers， 2018，109：77-100.

[4] 李尚林，陳宮，雷勇.基于Java的網(wǎng)絡爬蟲系統(tǒng)研究與設計[J].新型工業(yè)化，2021，11（4）：74-77，80.

[5] 熊艷秋，嚴碧波.基于jsoup爬取圖書網(wǎng)頁信息的網(wǎng)絡爬蟲技術[J].電腦與信息技術，2019，27（4）：61-63.

[6] 孫德華.基于RPA的財務工作輔助系統(tǒng)的設計與實現(xiàn)[D].南京：南京郵電大學，2021.

[7] 趙靜文，付巖，吳艷霞，等.多線程數(shù)據(jù)競爭檢測技術研究綜述[J].計算機科學，2022，49（6）：89-98.

[8] 王林.基于Linux的高并發(fā)網(wǎng)絡聊天系統(tǒng)設計[J].智能計算機與應用，2020，10（7）：176-179.

【通聯(lián)編輯：謝媛媛】