网络爬虫框架开发笔记

网络爬虫框架开发笔记

1、网络爬虫与框架

1.1. 网络爬虫

首先，我们得明白网络爬虫是个什么玩意，它主要就是模仿终端用户，对网页进行爬取和分析，根据使用者的意愿从爬取下载的网页中提取出相关链接、筛选出可用的内容（词条），并对这些词条作存储、分析、统计等操作。

1.2. 网络爬虫框架

既然我们要做一个网络爬虫的框架，我们就得来了解网络爬虫框架的功用，请看下面流程：

输入（首个网络地址请求）－》网页下载器－》分析器－》条目处理管道－》输出

根据上面的爬取流程分析，我们得出了以下几个核心关键词：
1.2.1. 网页下载器
下载与给定网络地址相对应的网页内容。因为，我们做的是框架，因此对于用户的输入请求，我们会尽可能的预留出的定制接口，让使用者可以根据自己的需求，参照接口自定义自己的“请求”组装方法。注意：用户有可能会偷懒的，所以我们也得创建一个默认的接口实现。

1.2.2 分析器
对下载的网页内容进行分析，并从中帅选出可用的网页内容（即数据条目dataitem）和需要访问的网页链接。同样，为了使得爬虫框架灵活可用，在被用于分析和筛选网页内容的规则和策略方面，我们也得提供灵活的定制接口，因为只有使用者才知道自己真正想要的是什么。请看如下定义：

type ParseResponse func(httpResp *http.Response, respDepth uint32)([]base.Data, []error)

1.2.3. 条目处理管道
接受作为输入的条目，并对其执行一系列的处理步骤。这里对数据的处理【存储、分析、统计等】才是用户的真正需求，因此我们也得给使用者预留出定制接口。请看如下定义：

type ProcessItem func(item base.Item)(result base.Item, err error)

注意：无论是分析器还是条目处理管道，我们都在使用者真正有需要的地方预留出了定制接口，也就是说我们在开发的服务是给第三方使用，而我们又不知道使用方的真正需求的时候，就可像这样给使用者预留出定制接口，这也是golang开发过程中常使用到的一种技术手段

整体流程图如下：

2、详细设计

2.1. 基本数据结构

我们在开发项目的过程中，首先就得明确，整个项目要用到什么类型数据，那些是公用的，那些是私有的。现在我们来定义爬虫框架的数据结构：
2.1.1. 请求Request

type Request struct {
    httpReq *http.Request //http请求的指针值
    depth uint32 //请求的深度
}

2.1.2. 响应Request

type Request struct {
    httpReq *http.Request
    depth uint32
}

2.1.3. 条目Item

type Item map[string] interface{}

以上三种数据类型贯穿我们的整个项目，是构成整个爬虫框架的基石，为了能够用一个类型从整体上标识这三个基本的数据类型，便于管理，我们定义如下接口类型：

/**
 * 接口的命名规范　只有一个函数以er结尾，两个WriterReader,三个及以上用结构体民命方式
 */
 type Data interface {
    Validate() bool
 }

2.1.4. 错误Error

const (
    DownloaderError ErrorType = "Downloader Eoor"
    AnalyzerError ErrorType = "Analyzer Error"
    ItemProcessorError ErrorType = "Item Processor Error"
)

type ErrorType string

type ErrorTypeer interface {
    Type() ErrorType
    Error() string
}

type CrawlerError struct {
    errType ErrorType
    errMsg string
    fullErrMsg string
}

2.2. 接口定义

2.2.1. 网页下载器
2.2.2. 分析器
2.2.3. 条目处理管道
2.2.4. 调度器
2.2.5. 中间件接口概述
2.2.6. 通道管理器
2.2.7. 实体池

2.3. 中间件的实现

2.4. 处理模块的实现

2.5. 调度器的实现

2.6. 使用案例

４、详细设计