可视化爬虫框架spiderflow入门及实战

说明

目前官网和文档无法正常访问，具体原因尚不明确，敬请参考本文。如果还有其他问题，欢迎随时留言讨论。

以下内容部分来源于官网或官网文档。文章内容较为详尽，请准备好瓜子和小板凳，耐心阅读哦！

介绍

spider-flow 是一个基于springboot+layui开发的前后端不分离的爬虫平台，以图形化方式定义爬虫流程，无需代码即可实现一个爬虫。

特性

• 支持css选择器、正则提取
• 支持JSON/XML格式
• 支持Xpath/JsonPath提取
• 支持多数据源、SQL select/insert/update/delete
• 支持爬取JS动态渲染的页面
• 支持代理
• 支持二进制格式
• 支持保存/读取文件(csv、xls、jpg等)
• 常用字符串、日期、文件、加解密、随机等函数
• 支持流程嵌套
• 支持插件扩展(自定义执行器，自定义函数、自定义Controller、类型扩展等）
• 支持HTTP接口
• 支持数据源配置
• 支持任务的定时执行

插件

• redis插件
• mongodb插件
• IP代理池插件
• OSS插件
• OCR插件
• Selenium插件

平台部署

代码仓库地址: https://gitee.com/ssssssss-team/spider-flow

部署及验证

spiderflow是基于springboot的单体项目，可以采用多种方式实现部署:

Dockerfile

docker-compose

java -jar …

也可以参考官网文档里面的安装部署模块进行部署。

默认端口是8088， 部署完成后访问localhost:8088即可，页面如下图所示:

编辑器组件介绍及常用语法

部署完成后打开页面会看到有4个内置的爬虫示例，随便点开一个我们看下编辑器布局和提供的组件。

组件介绍

爬取节点

该节点用于请求HTTP/HTTPS页面或接口

• 请求方法：GET、POST、PUT、DELETE等方法
• URL: 请求地址
• 延迟时间：单位是毫秒，意思是爬取之前延迟一段时间在执行抓取
• 超时时间：网络请求的超时时间，单位也是毫秒
• 代理：请求时设置的代理，格式为host:port 如 192.168.1.26:8888
• 编码格式：用来设置页面的编码格式默认为UTF-8，当解析出现乱码时，可以修改此值
• 跟随重定向：默认是跟随30x重定向，当不需要此功能时，可以取消勾选
• TLS证书验证：此项默认是勾选的，当出现证书一类的异常可以取消勾选此项尝试
• 自动管理Cookie：请求时自动设置Cookie（自己手动设置的与之前请求的Cookie都会设置进去）
• 自动去重：勾选时会对url进行去重处理,如果重复则跳过。
• 重试次数：当请求发生异常或状态码不为200时会进行重试
• 重试间隔：重试期间的间隔时间(单位为毫秒)
• 参数：用来设置GET、POST等方法的参数设置
• 参数名：参数key值
• 参数值：参数value值
• 参数描述：仅仅用来描述该项参数（相当于备注/注释）无实际意义
• Cookie：用来设置请求Cookie
• Cookie名：Cookie key值
• Cookie值：Cookie value值
• 描述：仅仅用来描述该项Cookie（相当于备注/注释）无实际意义
• Header：用来设置请求头
• Header名：Header key值
• Header值：Header value值
• 描述：仅仅用来描述该项Header（相当于备注/注释）无实际意义
• Body：请求类型（默认是none）
• form-data（Body项设置为form-data）
• 参数名：请求参数名
• 参数值：请求参数值
• 参数类型：text/file
• 文件名：上传二进制数据时需要填的文件名
• raw（Body项设置为raw）
• Content-Type：text/plain,application/json
• 内容：请求体内容（String类型）

此图形会返回一个HttpResponse对象，以resp存入变量中

定义变量

该节点用于定义变量之后，可以与表达式配套使用，实现动态设置各项参数(如动态请求分页地址)

变量名：变量的名字，当变量名重复时，会覆盖前一个变量

变量值：变量的值，可以是常量，可以是表达式

输出节点

该节点主要用于调试,测试时会把输出打印到页面中，另外也可以用来自动保存到数据库或文件

输出到数据库：勾选时需要填写数据源、表名称，且<font color="blue">输出项</font>要与列名对应

输出到CSV文件：勾选时需要填写CSV文件路径，<font color="blue">输出项</font>会作为表头

输出全部参数：一般用来调试，可以输出所有变量到界面上

输出项：输出项的名字

输出值：输出的值，可以是常量，可以是表达式

循环节点

次数或集合：当此项有值(值为集合或数字)时，后续节点（包括本节点）会循环执行

循环变量：默认为item,与for(Object item : collections) 中的item意义相同

循环下标：当循环时，会产生下标（从0开始）以该值存入变量中，与for(int i =0; i < array.length;i++)中的i意义相同

开始位置：从该位置开始循环(从0开始)

结束位置：到该位置结束(-1为最后一项,-2为倒数第二项,以此类推)

使用循环时需注意当有多个循环时会形成嵌套循环，必要时应与等待结束节点配套使用

执行SQL

主要用于与数据库交互（查询/修改/插入/删除等等）

数据源：需要选择配置好的数据源

语句类型：select/selectInt/selectOne/insert/insertofPk/update/delete

SQL： 要执行SQL语句，需要动态注入的参数用##包裹起来如：#${item[index].id}#

该节点执行完毕时会产生rs变量，selectInt/insert/update/delete会返回int类型,select会返回List<Map<String,Object>>,selectOne返回Map<String,Object>,insertofPk返回主键值

内置变量

爬取结果

当爬取节点执行后产生类型为HttpResponse的resp变量

异常信息

当节点发生异常时，会产生ex变量，需要注意的是，ex变量不会向下传递

sql执行结果

执行sql后产生变量rs

• 当是select语句时，类型为List<Map<String,Object>>
• 当是selectInt语句时，变量类型为int
• 当是selectOne语句时，变量类型为Map<String,Object>
• 当是insert/update/delete语句时，变量类型为int
• 当是insertofpk语句时，返回的是主键，变量类型为int

基本用法

本项目中表达式引擎也支持模板的方式，例如动态拼接url

https://www.xxx.com/${path}/q?=keyword=${keyword}

运算符

模板语言支持大多数Java运算符。这些运算符的优先级也与Java中的相同。

byte ${123b}
short ${123s}
int ${123}
long ${123l}
float ${123f}
double ${123d}
string ${'hello'}
string ${"hello"}

同时也支持定义Map和List

${{key : "value"}}
${[1,2,3,4,5]}
${{$key : "value"}}//$key表示动态从变量中获取key值

一元运算符

您可以通过一元运算-符将数字取反，例如${-234}。要取反布尔表达式，可以使用!运算符，例如${!true}。

算术运算符

支持常见的算术运算符，例如${1 + 2 * 3 / 4 % 2}

比较运算符

${23 < 34}`，`${23 <= 34}`，`${23 > 34}`，`${23 >= 34}`，`${ true != false }`，`${23 == 34}

比较运算符结果为boolean类型

逻辑运算符

除了一元运算!符，您还可以使用&&和||。就像Java中一样，运算符也是一种短路运算符。如果&&左边计算为false，则不会计算右边。如果||左侧为true，则不会计算右边

三元运算符

三元运算符是if语句的简写形式，其工作方式类似于Java中，例如${true ? "yes" : "no"}

变量

${var}

通过${变量名}调用

调用方法

${extract.xpath(resp.html,'//div[@id=abc]').regx('/\\d/').toInt()}

通过${变量.方法名(参数1,参数2,....)}进行调用