NetDiscovery 是一款基于 Vert.x、RxJava 2 等框架实现的爬虫框架。
一. 如何创建 DSL
领域特定语言(英语:domain-specific language、DSL)指的是专注于某个应用程序领域的计算机语言。又译作领域专用语言。DSL 能够简化程序设计过程,提高生产效率的技术,同时也让非编程领域专家的人直接描述逻辑成为可能。
NetDiscovery 本身提供了很多功能的 API,然而它的 DSL 模块是为了让使用者拥有更多的选择。
本文讨论的 DSL 是内部 DSL。
内部 DSL:通用语言的特定语法,用内部DSL写成的脚本是一段合法的程序,但是它具有特定的风格,而且仅仅用到了语言的一部分特性,用于处理整个系统一个小方面的问题。
NetDiscovery 的 DSL 主要是结合 Kotlin 带接收者的 Lambda、运算符重载、中缀表达式等 Kotlin 语法特性来编写。
运算符重载、中缀表达式其实很多语言都有,那么我们着重介绍一下带接收者的 Lambda。
在介绍 Kotlin 带接收者的 Lambda 之前,先介绍一下带接收者的函数类型。
带接收者的函数类型,例如 A.(B) -> C,其中 A 是接收者类型,B是参数类型,C是返回类型。
例如:
val sum: Int.(Int) -> Int = {
this + it
}
sum 是带接收者的函数类型,它在使用上类似于扩展函数。在函数内部,可以使用this指代传给调用的接收者对象。
而带接收者的 Lambda 典型代表是 Kotlin 标准库的扩展函数:with 和 apply。
看一下 apply 的源码:
public inline fun <T> T.apply(block: T.() -> Unit): T {
contract {
callsInPlace(block, InvocationKind.EXACTLY_ONCE)
}
block()
return this
}
在 apply 函数中,参数 block 是一个带有接收者的函数类型的参数。
对于 apply 函数的使用,先定义一个 User 对象:
class User{
var name:String?=null
var password: String?=null
override fun toString(): String {
return "name:$name,password=$password"
}
}
然后,使用 apply 函数对 User 的属性进行赋值:
fun main(args: Array<String>) {
val user = User().apply {
name = "Tony"
password = "123456"
}
println(user)
}
二. Request 的 DSL 封装
Request 请求包含了爬虫网络请求 Request 的封装,例如:url、userAgent、httpMethod、header、proxy 等等。当然,还包含了请求发生之前、之后做的一些事情,类似于AOP。
那么,我们来看一下使用 DSL 来编写Request:
val request = request {
url = "https://www.baidu.com/"
httpMethod = HttpMethod.GET
spiderName = "tony"
header {
"111" to "2222"
"333" to "44444"
}
extras {
"tt" to "qqq"
}
}
Spider.create().name("tony").request(request).pipeline(DebugPipeline()).run()
可以看到,Request 使用 DSL 封装之后,非常简单明了。
下面的代码是具体的实现,主要是使用带接收者的 Lambda、中缀表达式。
package com.cv4j.netdiscovery.dsl
import com.cv4j.netdiscovery.core.domain.Request
import io.vertx.core.http.HttpMethod
/**
* Created by tony on 2018/9/18.
*/
class RequestWrapper {
private val headerContext = HeaderContext()
private val extrasContext = ExtrasContext()
var url: String? = null
var spiderName: String? = null
var httpMethod: HttpMethod = HttpMethod.GET
fun header(init: HeaderContext.() -> Unit) {
headerContext.init()
}
fun extras(init: ExtrasContext.() -> Unit) {
extrasContext.init()
}
internal fun getHeaderContext() = headerContext
internal fun getExtrasContext() = extrasContext
}
class HeaderContext {
private val map: MutableMap<String, String> = mutableMapOf()
infix fun String.to(v: String) {
map[this] = v
}
internal fun forEach(action: (k: String, v: String) -> Unit) = map.forEach(action)
}
class ExtrasContext {
private val map: MutableMap<String, Any> = mutableMapOf()
infix fun String.to(v: Any) {
map[this] = v
}
internal fun forEach(action: (k: String, v: Any) -> Unit) = map.forEach(action)
}
fun request(init: RequestWrapper.() -> Unit): Request {
val wrap = RequestWrapper()
wrap.init()
return configRequest(wrap)
}
private fun configRequest(wrap: RequestWrapper): Request {
val request = Request(wrap.url).spiderName(wrap.spiderName).httpMethod(wrap.httpMethod)
wrap.getHeaderContext().forEach { k, v ->
request.header(k,v)
}
wrap.getExtrasContext().forEach { k, v ->
request.putExtra(k,v)
}
return request
}
三. SpiderEngine的 DSL 封装
SpiderEngine 可以管理引擎中的爬虫,包括爬虫的生命周期。
下面的例子展示了创建一个 SpiderEngine,并往 SpiderEngine 中添加2个爬虫(Spider)。其中一个爬虫是定时地去请求网页。
val spiderEngine = spiderEngine {
port = 7070
addSpider {
name = "tony1"
}
addSpider {
name = "tony2"
urls = listOf("https://www.baidu.com")
}
}
val spider = spiderEngine.getSpider("tony1")
spider.repeatRequest(10000,"https://github.com/fengzhizi715")
.initialDelay(10000)
spiderEngine.runWithRepeat()
四. Selenium 模块的 DSL 封装
在我之前的文章为爬虫框架构建Selenium模块、DSL模块(Kotlin实现) 中,曾举例使用 NetDiscovery 的 Selenium 模块实现:在京东上搜索我的新书《RxJava 2.x 实战》,并按照销量进行排序,然后获取前十个商品的信息。
这次,使用 DSL 来实现这个功能:
spider {
name = "jd"
urls = listOf("https://search.jd.com/")
downloader = seleniumDownloader {
path = "example/chromedriver"
browser = Browser.CHROME
addAction {
action = BrowserAction()
}
addAction {
action = SearchAction()
}
addAction {
action = SortAction()
}
}
parser = PriceParser()
pipelines = listOf(PricePipeline())
}.run()
这里,主要是对 SeleniumDownloader 的封装。Selenium 模块可以适配多款浏览器,而 Downloader 是爬虫框架的下载器组件,实现具体网络请求的功能。这里的 DSL 需要封装所使用的浏览器、浏览器驱动地址、各个模拟浏览器动作(Action)等。
package com.cv4j.netdiscovery.dsl
import com.cv4j.netdiscovery.selenium.Browser
import com.cv4j.netdiscovery.selenium.action.SeleniumAction
import com.cv4j.netdiscovery.selenium.downloader.SeleniumDownloader
import com.cv4j.netdiscovery.selenium.pool.WebDriverPool
import com.cv4j.netdiscovery.selenium.pool.WebDriverPoolConfig
/**
* Created by tony on 2018/9/14.
*/
class SeleniumWrapper {
var path: String? = null
var browser: Browser? = null
private val actions = mutableListOf<SeleniumAction>()
fun addAction(block: ActionWrapper.() -> Unit) {
val actionWrapper = ActionWrapper()
actionWrapper.block()
actionWrapper?.action?.let {
actions.add(it)
}
}
internal fun getActions() = actions
}
class ActionWrapper{
var action:SeleniumAction?=null
}
fun seleniumDownloader(init: SeleniumWrapper.() -> Unit): SeleniumDownloader {
val wrap = SeleniumWrapper()
wrap.init()
return configSeleniumDownloader(wrap)
}
private fun configSeleniumDownloader(wrap: SeleniumWrapper): SeleniumDownloader {
val config = WebDriverPoolConfig(wrap.path, wrap.browser)
WebDriverPool.init(config)
return SeleniumDownloader(wrap.getActions())
}
除此之外,还对 WebDriver 添加了一些常用的扩展函数。例如:
fun WebDriver.elementByXpath(xpath: String, init: WebElement.() -> Unit) = findElement(By.xpath(xpath)).init()
这样的好处是简化WebElement的操作,例如下面的 BrowserAction :打开浏览器输入关键字
package com.cv4j.netdiscovery.example.jd;
import com.cv4j.netdiscovery.selenium.Utils;
import com.cv4j.netdiscovery.selenium.action.SeleniumAction;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
/**
* Created by tony on 2018/6/12.
*/
public class BrowserAction extends SeleniumAction{
@Override
public SeleniumAction perform(WebDriver driver) {
try {
String searchText = "RxJava 2.x 实战";
String searchInput = "//*[@id=\"keyword\"]";
WebElement userInput = Utils.getWebElementByXpath(driver, searchInput);
userInput.sendKeys(searchText);
Thread.sleep(3000);
} catch (InterruptedException e) {
e.printStackTrace();
}
return null;
}
}
而使用了 WebDriver 的扩展函数之后,上述代码等价于下面的代码:
package com.cv4j.netdiscovery.example.jd
import com.cv4j.netdiscovery.dsl.elementByXpath
import com.cv4j.netdiscovery.selenium.action.SeleniumAction
import org.openqa.selenium.WebDriver
/**
* Created by tony on 2018/9/23.
*/
class BrowserAction2 : SeleniumAction() {
override fun perform(driver: WebDriver): SeleniumAction? {
try {
val searchText = "RxJava 2.x 实战"
val searchInput = "//*[@id=\"keyword\"]"
driver.elementByXpath(searchInput){
this.sendKeys(searchText)
}
Thread.sleep(3000)
} catch (e: InterruptedException) {
e.printStackTrace()
}
return null
}
}
五. 总结
爬虫框架github地址:https://github.com/fengzhizi715/NetDiscovery
这里使用的 DSL 很多情况是对链式调用的进一步封装。当然,有人会更喜欢链式调用,也有人会更喜欢 DSL。但是从 API 到 DSL,个人明细更加喜欢 DSL 的风格。
网友评论