一款针对知乎平台的爬虫程序,针对知乎网站的关键字搜索页、提问页、回答页、用户信息页进行数据爬取。
同时对代码的关键功能进行了抽象整理,便于迁徙新平台,获取新平台的数据。
负责全栈开发:
开发针对知乎平台的爬虫,不采用第三方库,而是针对业务进行适应性爬虫的开发。
使用java语言,配以springboot框架,整合spring data jpa进行数据存储,利用Selenium、JSoup工具库实现爬虫核心功能。
【数据初步获取阶段】
利用了java多线程机制。将网站url集合,按照设定的多线程数量,进行reform,再通过CountDownLatch(一个java多线程库),开启多条线程并行遍历,使得原本串行遍历下载的逻辑,得以在多条线程中并行执行,大大减少下载所需的时间。
同时对数据的存储变量使用线程安全类型,且IO存储方法加上syncronized关键字,保证多线程下数据的线程安全。
【数据存储阶段】