自动采集系统(spring使用springcloud架构来做爬虫，历时二十多天，终于搞定)

　　自动采集系统(spring使用springcloud架构来做爬虫，历时二十多天，终于搞定)

　　前言

　　由于公司业务需要，需要获取客户提供的微信公众号文章的历史记录，并每天更新。显然，300多个公众号无法每天手动检查，问题提交给IT团队。对于那些喜欢爬虫的人，我绝对想要他。之前做过搜狗的微信爬虫，之后一直在做java web。这个项目重新点燃了我对爬虫的热爱。首次使用spring cloud架构做爬虫。历时20多天，终于搞定。接下来我将通过一系列文章分享项目经验，并提供源码供大家指正！

　　一、系统介绍

　　本系统是基于Java开发的。只需配置公众号或微信公众号，即可定时或即时（包括阅读、点赞、观看）抓取微信公众号的文章。

　　二、系统架构技术架构

　　Spring Cloud、SpringBoot、Mybatis-Plus、Nacos、RocketMq、nginx

　　贮存

　　Mysql、MongoDB、Redis、Solr

　　缓存

　　Redis

　　演戏

　　提琴手

　　三、系统优缺点 系统优点

　　1、 配置公众号后，可以使用Fiddler的JS注入功能和Websocket实现自动爬取；2、系统为分布式架构，高可用；3、RocketMq 消息队列解决Coupling，可以解决采集由于网络抖动导致的失败，如果3次消费不成功，会记录日志到mysql，保证完整性文章; 4、可以添加任意数量的微信ID提高采集的效率，抵抗反攀登限制；5、Redis在24小时内缓存每个微信账号的采集记录，防止账号被关闭；6、Nacos作为配置中心，可以通过热配置调整采集的频率 实时; 7、将采集接收到的数据存储在Solr集群中，提高检索速度；8、 将捕获返回的记录存储到MongoDB进行归档查看错误日志。

　　系统缺点：

　　1、通过真实手机真实账号采集留言，如果您需要采集大量公众账号，则需要有多个微信账号作为支持（如果账号达到当天，可以爬取微信官方平台界面获取消息）；2、不是公众号，发帖后可以立即抓取，采集时间是系统设置的，留言有一定的滞后性（如果公众号不多，微信数量通过增加 采集 频率优化，信号就足够了）。

　　四、模块介绍

　　由于后面会添加管理系统和API调用功能，所以提前封装了一些功能。

　　common-ws-starter

　　公共模块：存储工具类、实体类等公共消息。

　　redis-ws-starter

　　Redis 模块：是

　　spring-boot-starter-data-redis第二个包暴露了打包好的Redis工具类和Redisson工具类。

　　RocketMQ-WS-启动器

　　RocketMQ 模块：是

　　Rocketmq-spring-boot-starter 的二次封装提供了消费重试和故障日志记录功能。

　　db-ws-starter

　　mysql数据源模块：封装mysql数据源，支持多种数据源，自定义注解实现数据源动态切换。

　　sql-wx-蜘蛛

　　mysql数据库模块：提供mysql数据库操作的所有功能。

　　pc-wx-蜘蛛

　　PC端采集模块：收录PC端采集公众账号历史消息相关功能。

　　java-wx-蜘蛛

　　Java提取模块：收录Java程序提取文章内容相关的功能。

　　移动-wx-蜘蛛

　　模拟器采集模块：收录与模拟器或手机采集消息交互量相关的功能。

　　五、一般流程图

　　六、 在PC端和移动端运行截图

　　安慰

　　运行结束

　　总结

　　项目亲测现已上线，项目开发中解决了微信搜狗临时链接永久链接问题，希望能帮助到被同类业务困扰的老铁。如今，做java就像逆流而上。不前进就会后退。我不知道你什么时候参与。我希望每个人都有自己的向日葵采集。如果你看到这个，你不把它给一个采集吗？