基于Webkit技术实现Ajax和DOM爬取的网络爬虫

1.爬虫的介绍

 

网络爬虫(web spider)是一个自动的通过网络抓取互联网上的网页的程序，在当今互联网中得到越来越广泛的使用。这种技术一般用来爬取网页中链接，资源等，当然，更为高级的技术是把网页中的相关数据保存下来，成为搜索引擎，例如著名的google和百度。常见的爬虫应用还有像一淘这样的比价网站，电影推荐网站等。


为了让大家进一步感受到爬虫的魅力，笔者编写了一个爬取淘宝和京东数据的比价网站（http://jiafei.org:8888/），如图1-2所示。由于淘宝和京东的搜索结果页面中有部分内容引（如价格）是通过ajax动态获得的，再用javascript把内容写入到相应的标签中的，当搜索Iphone 5s时，后台爬虫利用webkit生成去最终的dom树，爬取有用的数据，经过简单的处理后返回相应的结果。

 

2.为何需要爬虫

爬虫对于扫描器来说至关重要，站在整个扫描器的最前线（如图2-1所示）。在一个专业扫描器中，一般首先会由爬虫爬取指定的页面，接着把爬到的url传递给调度server,最后由调度server分发需要扫描的url给扫描agent来完成整个扫描过程。

2.爬虫的架构与分析

Web安全对于互联网公司来说至关重要，为了让公司的扫描器与业界的扫描器看齐，server安全组自研了一款功能强大的爬虫——SuperSpider，主要用来为漏洞扫描提供丰富的urls。SuperSpider的架构如图3-1所示，首先由下载器模块下载指定的页面，分析页面模块分析完成后一方面把需要的数据传递给存储模块，另一方面将爬取的urls传递给去重模块，去重后放到url队列中，最后由调度器安排次序传递url给下载器下载新的页面。接下来详细讲讲分析页面，调度器和去重这3个模块。

3.1分析页面

简单的来说, 爬虫主要作用就是用来分析页面。

难点：因为现在是web2.0时代，绝大部分网页都会使用javascript处理页面，而且很多网页内容都是通过Ajax技术加载的。因此，只是简单地解析HTML文件会远远不够。

解决：如何做到这点？编写一个基于webkit的爬虫SuperSpider。下面将详细说明SuperSpider所具有的5个功能强大的爬取能力。

a. 静态页面链接分析

简单点来说，就是分析html文档，例如下图的一个<a>标签的超链接，SuperSpider会识别出href中的值为一个超链接，提取其值html_link.php?id=1。

 

b.  javascript动态解析

下图为一段javascript代码，该代码的目的是在id为hi的a标签中提交属性href。

c.  自动分析表单

SuperSpider会自动识别出action中的值为所提交的地址，提取input标签中的name和value作为参数，最终生成出 post_link.php?id=1&msg=abc 这个url。

d.  自动交互

自动交换就是说要模仿出人的行为，例如点击鼠标，按下回车键等，下图就是一个需要点击鼠标的例子。

SuperSpider会自动识别出onclick是一个交换行为，从而执行里面的js代码生成出以下html，从而爬到了 click_link.php?id=1 这个url。

e.  hook所有的网络请求

这是一个ajax请求，有别于以上4种基于dom树解析的分析技术，要捉到其请求的url只能通过hook请求，而webkit文档中并没有提到hook 网络请求的方法。于是通过修改webkit代码hook住每一个由webkit发送出去的请求，从而拿到了 ajax_link.php?id=1&t=1这个url。

3.2调度器

SuperSpider的调度器使用广度优先搜索策略，具体的逻辑如下图所示。首先，从入口页面1.html中爬到了2.html, 3.html和4.html，依次把它们放到url队列中。接着取出2.html，把爬到的5.html和6.html放到url队列中，随后便开始爬取3.html，依广度次序进行。

3.3去重

为了扫描的质量和效率，需要进行去重。例如大部分网站中日期作为其url的组成部分，尤其是门户网站。SuperSpider使用将数字替换成d+的算法对url进行去重。例如，

1.http://video.sina.com.cn/ent/s/h/2010-01-10/163961994.shtml?a=1&b=10
2.http://video.sina.com.cn/ent/s/h/2009-12-10/16334456.shtml?a=12&b=67

对数字进行模式处理为：
http://video.sina.com.cn/ent/s/h/d+-d+-d+/d+.shtml?a=d+&b=d+

如果链接1已经爬取过，链接2与链接1类似， 不重复爬取。

试验证明这种方法简捷高效，漏爬率极低，大大提升扫描器的效率。

4.爬虫的具体实现

a.webkit的易用性

常用的chrome, safari等浏览器都是基于webkit内核，不过提起这个内核，大家可能会觉得有点庞大艰深。但如果只是对于应用层面来说，webkit使用起来还是挺简易的。如图4-1所示，只需14行便可以写出一个浏览器。

 

图4-1  使用webkit编写的浏览器

b.难点解决

问题：Webkit需要视窗系统才能正常启动，而服务器一般都没有视窗系统的，那么如何在后台稳定地运行webkit?之前是去掉webkit中的图形渲染，css等与gui有关的代码，太麻烦，易出众多bug。

解决：使用xvfb虚拟出一个视窗系统，只需把alert, confirm, prompt的代码注释掉（因为会让浏览器卡住），简单快捷稳定。

c.爬虫的逻辑代码

图4-2为爬虫的逻辑代码，在parse函数里利用webkit生成出来的dom树来做具体的第三部分所提到的分析逻辑。

图4-2  爬虫的逻辑代码

5.效果

SuperSpider与wvs的爬虫对比，在著名的爬虫测试平台http://demo.aisec.cn/demo/进行测试，该平台要求爬虫要完全具备3.1所提到的5个功能才能爬取到所有的url,上图为扫描器的爬虫，下图为wvs的爬虫, 其中click_link.php (在3.1.d提到）是需要爬虫具有自动交换能力才能爬取到的。

结论：SuperSpider全部都能爬到, 在自动交互方面比wvs表现更好

图 SuperSpider与wvs的结果对比

6.结尾

以上笔者的一些思考与总结，欢迎大牛们的意见和建议！