毕业论文移动版

第4章，系统实现和可视化，介绍展示平台的设计与实现；

微博爬虫设计

2。1微博爬虫概述

WeiboSpider 是使用Python 语言编写的，使用weibo。com 作为数据来源，能够模拟登录用户行为，使用户身份进行网络访问的网络爬虫。可以同时使用多个用户的身份进行微博爬取。

WeiboSpider 是一个分布式系统，在集中式调度器的控制下，可将爬虫部署在多个计算机中，使用多个IP进行爬取。文献综述

WeiboSpider支持SpiderWorker的健康状态检查，会自动回收失效SpiderWorker持有的微博账号，自动鉴别新上线的SpiderWorker并为其分配账号。

WeiboSpider 支持使用HTTP API 进行控制，可以添加删除关键字，控制关键字的激活状态，并可以查看关键字跟踪的最新时间和频率信息。

2。2微博爬虫基本组成和架构简介

2。2。1爬虫实例 

爬虫实例（SpiderWorker）是WeiboSpider 中负责数据抓取和解析的部分，本身并不和数据库进行交互。SpiderWorker在启动时会随机产生一个uuid[9]，这个唯一id作为自身的标识。由于UUID 本身有128比特的长度，随机生成的id可以看作是唯一的，不会发冲突。

微博爬虫实例工作时效果如图 2。1所示

图 2。1 爬虫实例日志输出样例

2。2。2调度器

调度器（Scheduler）是WeiboSpider的核心组件，控制着所有爬虫实例的账号分配和任务分发，在一个WeiboSpider 实例中，Scheduler 有且只有一个。

调度器会从数据库中取得所有可用的微博账号，并记录他们在爬虫实例中的分配状况。

同时，调度器直接提供一个简单的HTTP API，供其它组件控制使用。调度器工作时输出如图 2。2所示

图 2。2调度器工作时的日志输出

2。2。3账号登陆模块

由于微博的登陆流程复杂，与服务器之间的交互动作繁多，选择直接操纵浏览器模拟用户的键盘鼠标行为是最稳定可靠的方案。在WeiboSpider中，使用前端测试框架Selenium调用Chrome Webdriver 进行浏览器的操作。登陆模块在可以在具有GUI的Windows或者Linux、OSX上运行。

2。2。4数据收集器来`自+优-尔^论:文,网www.youerw.com +QQ752018766-

数据收集器(DataCollector)是WeiboSpider 中专门负责存储微博数据的模块，由于LevelDB写入时进行Merge操作耗时不稳定，为了不影响爬虫的运行连续性，专门将微博数据存储功能拆分出来，提高了系统的性能和稳定性。

2。2。5跟踪和展示平台

为了方便用户控制爬虫工作，同时能够查看到最新的微博数据，完成将数据提交给用户的最后一步，本系统实现了一个基于Tornado和Vue。js的数据展示网站。当网络爬虫取得新的微博数据后，将根据用户的需要，使用WebSocket将数据发送给用户的浏览器，并实时显示最新的微博。

2。2。6RabbitMQ

本平台的各个组件除了少量使用HTTP API 互相通信外，几乎所有互相通信任务都是基于RabbitMQ 完成。RabbitMQ具体应用在会在后文介绍。