1.简介
AiPa 是一款小巧，灵活，扩展性高的多线程爬虫框架。
AiPa 依赖当下最简单的HTML解析器Jsoup。
AiPa 只需要使用者提供网址集合，即可在多线程下自动爬取，并对一些异常进行处理。
2.Maven
直接引入
3.如何使用
先来看下一个简单完整的示例程序：
必须实现的接口
main方法
public static void main(String[] args) throws InstantiationException, IllegalAccessException, ExecutionException, InterruptedException { //准备网址集合
ListlinkList = new ArrayList();
linkList.add(http://jb39.com/jibing/FeiQiZhong265988.htm);
linkList.add(http://jb39.com/jibing/XiaoErGuoDu262953.htm);
linkList.add(http://jb39.com/jibing/XinShengErShiFei250995.htm);
linkList.add(http://jb39.com/jibing/GaoYuanFeiShuiZhong260310.htm);
linkList.add(http://jb39.com/zhengzhuang/LuoYin337449.htm); //第一步：新建AiPa实例
AiPaExecutor aiPaExecutor = AiPa.newInstance(new MyAiPaWorker()).setCharset(Charset.forName(GBK)); //第二步：提交任务
for (int i = 0; i 10; i++) {
aiPaExecutor.submit(linkList);
} //第三步：读取返回值
ListfutureList = aiPaExecutor.getFutureList();
for (int i = 0; i futureList.size(); i++) {
//get() 方法会阻塞当前线程直到获取返回值
System.out.println(futureList.get(i).get());
} //第四步：关闭线程池
aiPaExecutor.shutdown();
}
通过AiPa.newInstance()方法直接创建一个新的AiPa实例，该方法必须要传入 AiPaWorker 接口的实现类。
3.1 AiPaWorker接口
AiPaWorker 接口是用户必须要实现的业务类。
该接口方法如下：
run()方法是用户自定义处理爬取的HTML内容，一般是利用Jsoup的Document类进行解析，获取节点或属性等，然后保存到数据库或本地文件中。如果在业务方法需要再次请求URL，可以使用工具类Util。
fail()方法是当run()方法出现异常或爬取网页时异常，多次处理无效的情况下进入的方法，该方法的参数为此次出错的网址。一般是对其进行日志记录等操作。
3.2 解码，最多失败次数，请求头
通过AiPa获取实例后，可以直接在后面跟着设置一大堆属性，比如：setCharset、setThreads、setMaxFailCount等，这些属性啥意思，下面以表格的形式说明一下：
上面的一般情况下够用了，如果对这些不满意，嫌太少啥的，下面给了更优秀的解决方案。
3.3 自定义爬虫类
在上面的演示程序中，我们使用了submit()方法进行提交任务，默认是使用了Jsoup+上面的那些非加粗属性进行爬取，一般情况下够用，如果要一个一个的扩展Jsoup的方法太累了，于是我想到把爬虫方法提供给用户重，让用户自己去扩展，想用什么爬，想设置什么属性都可以。
下面看下使用Demo：
public class MyAiPaUtil extends AiPaUtil {
@Override
public Document getHtmlDocument(String link) throws IOException {
// 你可以不用JSOUP，可以使用其它方法进行HTTP请求，但最后需要转为Document格式
// 你也可以使用Jsoup实现定制属性
Connection connection = Jsoup.connect(link).method(Connection.Method.GET);
String body = connection.execute().charset(GBK).body();
return Jsoup.parse(body);
}
}
然后，再调用submit方法提交任务，代码示例：
aiPaExecutor.submit(linkList, MyAiPaUtil.class);
注意：当你重写爬虫方法后，3.2小节的非加粗属性都会失效。
3.3 读取返回值与获取线程池
如果你想要读取返回值来看下任务是否执行成功，你可以使用看下上面的程示例序是如何做的。
public ListgetFutureList()
getFutureList()方法会返回任务执行之后的结果集合，集合中的成员都是Future类。调用Future对象的 get() 方法会等待当前任务执行完成再返回结果值，也就是会阻塞当前线程。该类还有很多方法，比如get(long timeout, TimeUnit unit)，设置等待时间等等。
public ExecutorService getExecutor()
该方法会返回AiPa当前使用的Executor线程池，你获取到该线程池后，需要一些使用线程池的一些方法可以自行使用。
3.4 如何应对爬取网页时的异常
对于网页爬取时的异常，这真的是个痛点。原因真的很多，你的网络不行，网站服务器的网络不行，在网上有说把请求头中Connection设置为close，不用keep-alive。这个以我爬取几百兆数据的经验告诉你，然并卵。
于是我想出了一种无赖打法，反复爬。爬一次不行就两次，爬两次不行就三次，只要网页是可以正常响应的，基本这个策略没多少问题。当然，万一真的是某个网页就那么独树一帜呢，所以我们设置一个最大值，对于爬取超过最大值的，放弃记录下来，看看啥子情况。在我的这个框架中，也给出了fail()方法专门处理这个问题。
4.测试用例
在Java SE测试中。没有使用数据库等，直接控制台打印是没问题的。
在Spring Boot中写了个测试用例，爬取数据保存到数据库，运行也没问题。
@RunWith(SpringRunner.class)@SpringBootTestpublic class InterApplicationTests {
@Autowired
private DemoResponse demoResponse;
@Test
public void context() throws ExecutionException, InterruptedException {
AiPaExecutor executor = AiPa.newInstance(new AiPaWorker() {
@Override
public Boolean run(Document document, AiPaUtil util) {
String title = document.title();
demoResponse.save(new DemoEntity(title));
return true;
}
@Override
public Boolean fail(String s) {
demoResponse.save(new DemoEntity(s));
return false;
}
}).setCharset(Charset.forName(GBK));
ListlinkList = new ArrayList();
linkList.add(http://jb39.com/jibing/FeiQiZhong265988.htm);
linkList.add(http://jb39.com/jibing/XiaoErGuoDu262953.htm);
linkList.add(http://jb39.com/jibing/XinShengErShiFei250995.htm);
linkList.add(http://jb39.com/jibing/GaoYuanFeiShuiZhong260310.htm);
linkList.add(http://jb39.com/zhengzhuang/LuoYin337449.htm);
executor.submit(linkList);
Listlist = executor.getFutureList();
for (int i = 0; i list.size(); i++) { //get() 方法会阻塞当前线程直到获取返回值
System.out.println(list.get(i).get());
}
executor.shutdown();
}
}
运行结果：
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
Hibernate: insert into demo (title) values (?)
