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：
