资讯内容采集系统(spring使用springcloud架构来做爬虫，历时二十多天，终于搞定)

　　资讯内容采集系统(spring使用springcloud架构来做爬虫，历时二十多天，终于搞定)

　　前言

　　因公司业务需要，需要获取客户提供的微信公众号历史文章，并每天更新。很明显，每天人工检查300多个公众号是不行的，把问题提交给IT团队。对于那些喜欢爬虫的人，我一定会尝试他。之前做过搜狗的微信爬虫，后来一直在做java web。这个项目重新点燃了我对爬虫的热爱。第一次使用spring cloud架构做爬虫。20多天后，终于搞定了。接下来我将通过一系列文章分享这个项目的经验，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。只需简单配置公众号或微信公众号的名称，即可定时或即时抓取微信公众号的文章（包括阅读次数、点赞次数、观看次数）。

　　二、系统架构

　　技术架构

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

　　贮存

　　Mysql、MongoDB、Redis、Solr

　　缓存

　　雷迪斯

　　演戏

　　提琴手

　　三、系统优缺点

　　系统优势

　　1、配置公众号后，可以通过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 消息队列用于解耦合，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，日志会记录到mysql，保证文章的完整性；4、可以加入任意数量的微信号提高采集效率，抵抗反爬限制；5、Redis缓存24小时内每个微信号的采集记录，防止账号被封；6、Nacos作为一个配置中心，可以通过热配置来访问调整采集的频率 实时; 7、将数据采集存储到Solr集群，提高检索速度；8、将抓包返回的记录保存在MongoDB中，方便存档查看错误日志。

　　系统缺点：

　　1、通过真机真实账号采集消息，如果需要采集大量公众号，需要有多个微信账号作为支持（如果账号达到上限当天，可以通过爬虫界面爬取微信公众平台获取新闻）；2、不是公众号一发就可以马上抢到消息，采集时间是系统设置的，消息有一定的延迟（如果没有公众号多，微信数量足够。通过增加采集频率进行优化）。

　　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：是的

　　spring-boot-starter-data-redis的二次封装暴露了封装后的Redis工具类和Redisson工具类。

　　火箭MQ-WS-启动器

　　RocketMq 模块：是

　　RocketMQ-spring-boot-starter的二次包，提供消费重试和失败日志记录功能。

　　db-ws-starter

　　mysql数据源模块：封装mysql数据源，支持多数据源，通过自定义注解实现数据源的动态切换。

　　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端采集公众号历史消息相关功能。

　　java-wx-蜘蛛

　　Java抽取模块：收录java程序抽取文章内容相关的功能。

　　移动 wx 蜘蛛

　　模拟器采集模块：收录通过模拟器或移动端采集消息交互量相关的功能。

　　五、一般流程图

　　六、运行截图

　　个人电脑和手机

　　安慰

　　运行结束

　　总结

　　该项目的亲测可用性现已投入运行，在项目开发中解决了微信搜狗临时链接到永久链接的问题，希望能帮助被类似业务困扰的老铁们。如今，做java就像逆水行舟。不进则退。我不知道你什么时候会参与进来。我希望每个人都有自己的向日葵采集。你不给这个采集吗？