CrawlerSQL 设计

目标

首先CrawlerSQL会包含两个服务：

调度服务，比如每个url的抓取周期。
抓取服务：调度会给url,抓取服务负责实际的抓取

在StreamingPro里，我们仅仅会实现抓取服务，也就是写一段SQL脚本。至于每个脚本什么时候执行是调度服务的事情，这里我们需要区分开来。而且调度也算是一件非常复杂的事情。

我希望尽可能复用MLSQL的语法格式，尽量不添加新的SQL语法。实际上经过基本的尝试，发现是完全可以做到的。

抽象

我这里简单的把抓取分成两个类型：

1. url列表抓取，也就是通常我们说的入口页，比如博客首页通常都是一堆文章列表。
2. 内容抓取，也就是要把标题，时间，内容扣取出来。

每个入口页，在我看来都是一张表，里面有两个字段： url,root_url。 url 就是入口也里的内容的url,root_url则是入口页的url地址。

具体语法如下：

load crawlersql.`https://www.csdn.net/nav/ai` 
options matchXPath="//ul[@id='feedlist_id']//div[@class='title']//a/@href" 
and fetchType="list"
as aritle_url_table_source;

内容详情的抓取，在我看来，用UDF就足够了，我提供了三个方法：

crawler_auto_extract_title
crawler_auto_extract_body
crawler_extract_xpath

标题和正文一般可以做到自动抽取。其他比如时间，作者等则需要通过xpath抽取。

这里举一个例子：

select 
crawler_auto_extract_title(html) as title,
crawler_auto_extract_body(html) as body,
crawler_extract_xpath(html,"//main/article//span[@class='time']") as created_time
from aritle_list 
where html is not null
as article_table;

当然上面都是形式上的，一个爬虫真正要解决的问题有比如：

1. IP 代理池，黑白名单。
2. 异步加载网页的抓取
3. 登录/验证码
4. 动态更新周期
5. 去重url等

现阶段重点还是考量语法层面的东西。

资源

目前我实现了一个探索版的，可参看这里： streamingpro-crawler，具体的案例有：

set tempStore="/tmp/streamingpro_crawler"

-- 抓取列表页的url
load crawlersql.`https://www.csdn.net/nav/ai` 
options matchXPath="//ul[@id='feedlist_id']//div[@class='title']//a/@href" 
and fetchType="list"
as aritle_url_table_source;

-- 抓取的url去重
select url,first(root_url) as root_url from aritle_url_table_source
group by url 
as aritle_url_table;

-- 获得历史已经抓取的url
load parquet.`${tempStore}`
as aritcle_url_history;

-- 排除掉已经抓去过的url

select aut.url as url ,aut.root_url as root_url from aritle_url_table aut  
left join aritcle_url_history auh  
on aut.url=auh.url 
where auh.url is null
as filter_aritle_url_table;

-- 抓取全文，并且存储
select crawler_request(regexp_replace(url,"http://","https://"))  as html 
from filter_aritle_url_table 
where url is not null
as aritle_list;
save overwrite aritle_list as parquet.`/tmp/streamingpro_crawler_content`;

-- 对内容进行解析
load parquet.`/tmp/streamingpro_crawler_content` as aritle_list;
select 
crawler_auto_extract_title(html) as title,
crawler_auto_extract_body(html) as body,
crawler_extract_xpath(html,"//main/article//span[@class='time']") as created_time
from aritle_list 
where html is not null
as article_table;

-- 对最后的抓取结果进行保存
save overwrite article_table as json.`/tmp/article_table`;

-- 已经抓取过的url也需要进行增量存储，方便后续过滤
save append filter_aritle_url_table as parquet.`${tempStore}`;

运行时，需要先保证/tmp/streamingpro_crawler 不能为空，你可以通过下面脚本初始化：

select "" as url ,"" as root_url 
as em;
save overwrite em parquet.`/tmp/streamingpro_crawler`