目录
前言
在之前的相关文章中，发表文章列表：在Java中使用XxlCrawler时防止被反爬的几种方式，基于Java的XxlCrawler网络信息爬取实战-以中国地震台网为例。在这两篇博客当中，我们介绍了XxlCralwer组件，以及如何进行爬虫反爬对抗。这两篇博客都是讲解的全量更新，即第一次全部抓取数据。在我们实际的信息爬取过程当中，肯定会有增量更新的问题，比如定期更新。不要爬取全部的数据，而只是抓取更新的数据，在进行多次的增量更新之后，就能实现数据源的数据一致性。这样的需求很常见，但是在以往的博客中很少进行提及。
本文就是在这样的需求背景下诞生的，我们需要使用XxlCrawler组件对中国地震外网的地震信息进行增量同步。在第一次全量获取数据后，后面在系统运行过程当中，不需要人工干预，我们采用自动任务的方式，将信息抓取的过程完全有程序来完成。文章首先讲解了一般数据同步的方法，然后使用代码的方式介绍在本文中使用的数据同步方法，如何进行重复数据去重，最后讲解如何进行入库，结合Ruoyi中的定时任务组件，讲解如何进行定时任务计划的制定和运行，讲解如何将定时任务和爬虫关联起来。对有对信息进行增量更新的需求有一定的参考意义。
一、数据增量更新机制
要想实现数据的动态更新，一般包含两种更新方式。即全量更新方式和增量更新方式，全量更新模式顾名思义，就是每次进行数据同步时都是全量数据同步。增量更新是基于全量更新基础之上的，每次的数据同步都采用增量的数据同步，即将变化的数据，新增的或者修改的，删除的数据同步到下游系统。下面结合中国地震台网数据，使用两种更新方式进行说明。
1、全量更新机制
全量更新通常应用在数据的首次同步上，往往第一次需要上游系统的所有数据。因此有必要对上游系统进行全量同步。同时也是因为首次同步时，下游系统中往往还没有数据，因此不需要考虑数据重复的问题。只要将爬取的数据进行新增即可。全量更新的技术难度较低，再此不再进行赘述。
2、增量更新机制
在首次同步好了全量数据以后，要想实现增量更新，数据增量同步ETL每次只处理增、删、改的变化数据，减少大量非变化数据同步。与数据全量同步ETL相比，数据增量同步ETL可以用最少的资源提高数据同步效率。其大致的思路有以下几种：
1. 时间戳：最常见的方式。但是在业务系统里，不是每张表都有时间戳。
2. 触发器：可靠性较高。但是对业务系统数据库性能损耗较大。
3. 全量对比得出增量数据更新：对源数据库的性能损耗较小。但是大数据量对比更新时，对工具的性能开销需求较大。
4. 全量对比MD5方式：建立一个结构类似的MD5临时表，通过MD5校验码比对。
5. 日志解析：常见的数据库具备日志归档等功能，从日志获取变化数据，通过代码来开发和管理。
通过之前的台网数据抓取得到的数据可以了解到，在我们的数据表格中是包含了时间字段了，因此我们可以使用基于时间戳的方案来实现台网数据的增量更新。
二、功能时序图设计
为了实现中国地震外网数据定时同步，这里我们采用面向对象分析（OOA）的模式进行。同时为了比较清晰的说明其同步机制，我们将其大致的业务调用时序图进行设计。本节即主要描述增量同步的时序图设计。
1、原始请求分析
为了简单介绍相关接口及正确获取增量数据，首先我们来看一下中国地震台网的更新接口。在其历史查询的接口列表中。我们可以看到其可以实现日期查询，具体的功能查询界面如下：
然后我们来看一下实际的请求接口，打开控制台的网络监控Tab页：
https://www.ceic.ac.cn/ajax/search?page=1&&start=2024-05-01&&end=&&jingdu1=&&jingdu2=&&weidu1=&&weidu2=&&height1=&&height2=&&zhenji1=&&zhenji2=&&callback=jQuery18005659035271001251_1714803161229&_=1714807031625
可以很明显看到，它的开始日期参数放到了start中，在start中绑定了开始查询参数。 在我们接口请求中也是利用这个时间戳字段来实现信息的增量更新。
2、业务时序图
为了实现信息请求接口的增量更新，同时在实际请求当中，可能会遇到的数据重复判断的问题，因此我们需要进行数据的去重。我们使用cata_id和epi_id进行去重处理。具体的业务时序图如下：
从时序图来看，大致的数据同步过程分了10步，下面针对每一步来进行简单说明：
1.1：首先从数据库中获取已经同步数据的最大日期作为同步基础时间戳。
1.2：如果基础时间戳不为空，在此时间戳之上，我们采用N-1，这么做是为了避免数据历史数据没有及时同步，这里可能会有数据重复，因此一定要进行数据去重的机制保证数据的一致性。
1.3-1.5：从数据库中获取同步时间戳和拼接系统请求时间戳的方法。
1.6：构造XxlCrawler爬取器，设置页面处理对象，进行首页信息爬取。
1.7-1.8：定义下一页爬取规则，实现自动爬取所有其它页面的数据。
1.9：启动信息抓取器，进行爬取。
三、后台定时任务的设计与实现
在明确了相关的定时任务之后，这里我们在Ruoyi的框架下进行开发，需要按照时序图设计相关的时序逻辑。完整的增量更新任务类关键代码如下：
package com.yelang.project.monitor.job.task;
import java.util.Date;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import com.google.gson.Gson;
import com.google.gson.GsonBuilder;
import com.xuxueli.crawler.XxlCrawler;
import com.xuxueli.crawler.parser.strategy.NonPageParser;
import com.yelang.common.utils.DateUtils;
import com.yelang.common.utils.StringUtils;
import com.yelang.project.extend.earthquake.domain.crawler.CeicDateAdapter;
import com.yelang.project.extend.earthquake.domain.crawler.CeicEarthquake;
import com.yelang.project.extend.earthquake.domain.crawler.CeicEarthquakeCrawler;
import com.yelang.project.extend.earthquake.service.ICeicEarthquakeService;
@Component("ceicEqIncrementalUpdateTask")
public class CeicEqIncrementalUpdateTask {
private Logger logger = LoggerFactory.getLogger(CeicEqIncrementalUpdateTask.class);
private static final String USER_AGENT = "\"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36\"";
private static final String commonUrl = "https://www.ceic.ac.cn/ajax/search?end=&&jingdu1=&&jingdu2=&&weidu1=&&weidu2=&&height1=&&height2=&&zhenji1=&&zhenji2=&_=";
@Autowired
private ICeicEarthquakeService eqService;
/**
* 默认的增量更新方法，从数据库中获取当前更新的最大日期，以此为更新条件
*/
public void defaultIncrementalUpdate() {
logger.info("执行无参方法");
CeicEarthquake ceicEq = eqService.getMaxOtime();
if (null == ceicEq) {
logger.info("增量更新时间点为空!");
return;
}
if (null != ceicEq) {
Date yesterday = DateUtils.getPrevOneDay(ceicEq.getOTime());
String yesterday_str = DateUtils.parseDateToStr(DateUtils.YYYY_MM_DD, yesterday);
String firstUrl = commonUrl + System.currentTimeMillis() + "&&start=" + yesterday_str + "&&page=1";
NonPageParser firstPageParse = new NonPageParser() {
public void parse(String url, String pageSource) {
dataParse(true, url, pageSource, yesterday_str);
}
};
// 构造爬虫
XxlCrawler crawler = buildXxlCrawler(firstPageParse, firstUrl);
crawler.start(false);// 启动异步执行
}
}
private void incrementalUpdate(String startDate, Integer pageNum) {
String[] urlList = new String[pageNum - 1];
for (int i = 0; i < pageNum - 1; i++) {
urlList[i] = commonUrl + System.currentTimeMillis() + "&&start=" + startDate + "&&page=" + (2 + i);
}
NonPageParser dataParser = new NonPageParser() {
public void parse(String url, String pageSource) {
dataParse(false, url, pageSource, null);
}
};
// 构造爬虫
XxlCrawler crawler = this.buildXxlCrawler(dataParser, urlList);
crawler.start(false);// 启动
}
private XxlCrawler buildXxlCrawler(NonPageParser pageParser, String... urls) {
// 构造爬虫
XxlCrawler crawler = new XxlCrawler.Builder().setUrls(urls)// 设置请求URL
.setThreadCount(3)// 设置线程数
.setPauseMillis(2000)// 设置暂停时间
.setUserAgent(USER_AGENT)// 设置User-Agent
.setIfPost(false).setFailRetryCount(3)// 重试三次
.setPageParser(pageParser).build();
return crawler;
}
private void dataParse(boolean isFirst, String url, String pageSource, String yesterday_str) {
if (!StringUtils.isBlank(pageSource)) {
pageSource = pageSource.substring(1, pageSource.length() - 1);
Gson gson = new GsonBuilder().registerTypeAdapter(Date.class, new CeicDateAdapter()).create();
CeicEarthquakeCrawler crawler = gson.fromJson(pageSource, CeicEarthquakeCrawler.class);
Integer dataSize = crawler.getNum();// 获取数据总页数
for (CeicEarthquake data : crawler.getShuju()) {
String geom = "SRID=" + 4326 + ";POINT (" + data.getEpiLon() + " " + data.getEpiLat() + ")";// 拼接srid，实现动态写入
data.setGeom(geom);
}
eqService.deduplication(crawler.getShuju());// 数据跟数据库去重后入库
// 如果是首页且数据总数大于1，表示有多条，需要循环爬取
if (isFirst && dataSize > 1) {
logger.info("总页数：{}", crawler.getNum());
incrementalUpdate(yesterday_str, dataSize);
}
}
}
}自动任务的入口方法是defaultIncrementalUpdate（），在这里进行任务的调度。请注意数据转换的统一定义方法如下：
private void dataParse(boolean isFirst, String url, String pageSource, String yesterday_str) {
if (!StringUtils.isBlank(pageSource)) {
pageSource = pageSource.substring(1, pageSource.length() - 1);
Gson gson = new GsonBuilder().registerTypeAdapter(Date.class, new CeicDateAdapter()).create();
CeicEarthquakeCrawler crawler = gson.fromJson(pageSource, CeicEarthquakeCrawler.class);
Integer dataSize = crawler.getNum();// 获取数据总页数
for (CeicEarthquake data : crawler.getShuju()) {
String geom = "SRID=" + 4326 + ";POINT (" + data.getEpiLon() + " " + data.getEpiLat() + ")";// 拼接srid，实现动态写入
data.setGeom(geom);
}
eqService.deduplication(crawler.getShuju());// 数据跟数据库去重后入库
// 如果是首页且数据总数大于1，表示有多条，需要循环爬取
if (isFirst && dataSize > 1) {
logger.info("总页数：{}", crawler.getNum());
incrementalUpdate(yesterday_str, dataSize);
}
}
}实现增量的逻辑是第一次请求的时候，通过返回的num来决定是否往下爬取，只有超过2页才需要进行剩余页面的请求。
private void incrementalUpdate(String startDate, Integer pageNum) {
String[] urlList = new String[pageNum - 1];
for (int i = 0; i < pageNum - 1; i++) {
urlList[i] = commonUrl + System.currentTimeMillis() + "&&start=" + startDate + "&&page=" + (2 + i);
}
NonPageParser dataParser = new NonPageParser() {
public void parse(String url, String pageSource) {
dataParse(false, url, pageSource, null);
}
};
// 构造爬虫
XxlCrawler crawler = this.buildXxlCrawler(dataParser, urlList);
crawler.start(false);// 启动
}使用数据库的机制进行数据重复判断的逻辑如下：
@Override
public void deduplication(List<CeicEarthquake> eqDataList) {
List<CeicEarthquake> saveList = new ArrayList<CeicEarthquake>();
for (CeicEarthquake data : eqDataList) {
Long size = this.getSizeByCataIdAndEpiId(data.getCataId(), data.getEpiId());
if(size >= 1) {
continue;//记录数大于1，表示数据中有记录
}
String geom = "SRID=" + 4326 +";POINT (" + data.getEpiLon()+ " "+data.getEpiLat()+")";//拼接srid，实现动态写入
data.setGeom(geom);
saveList.add(data);
}
if(saveList.size() > 0) {
this.saveBatch(saveList, 300);
}
}四、Ruoyi自动任务配置
这里采用Ruoyi进行自动任务配置，在自动任务框架驱动下进行数据的增量更新。因此需要我们进行任务的配置。本节将重点介绍Ruoyi的定时任务配置，以及如何关联到增量同步组件。
1、Ruoyi自动任务配置
应用程序启动后，在系统监控中打开定时任务子菜单，可以看到系统中定义的所有定时任务列表。
这里我已经定义了一个台网信息同步的定时任务，默认的是每天1点执行（时间频率请结合实际业务来进行配置），请不要给目标系统造成太大的异常流量。不要太频繁的发起访问。
这里调用的ceicEqIncrementalUpdateTask.defaultIncrementalUpdate()。具体的调用参考如下：
Bean调用示例：ryTask.ryParams('ry')；
Class类调用示例：com.yelang.quartz.task.RyTask.ryParams('ry')
参数说明：支持字符串，布尔类型，长整型，浮点型，整型。
2、任务调度
在任务创建好之后，我们可以进行任务开启，开启后，任务会自动在后台运行，在制定时间进行触发。由于我们配置的每天1点进行任务创建及运行，因此这里我们选择人工运行的模式，使用手动运行的模式。点击操作按钮中的执行一次。如下图所示：
执行任务之前，我们来数据库中看一下数据的总条数是12459条:
select count(1) from biz_ceic_earthquake;然后我们来执行任务调度，可以看到控制台进行了信息输出：
在数据库中可以看到数据总数发生了变化，变成了12460（+1），成功将最新的数据同步到了数据库中。
总结
以上就是本文的主要内容， 本文需要使用XxlCrawler组件对中国地震外网的地震信息进行增量同步。在第一次全量获取数据后，后面在系统运行过程当中，不需要人工干预，我们采用自动任务的方式，将信息抓取的过程完全有程序来完成。文章首先讲解了一般数据同步的方法，然后使用代码的方式介绍在本文中使用的数据同步方法，如何进行重复数据去重，最后讲解如何进行入库，结合Ruoyi中的定时任务组件，讲解如何进行定时任务计划的制定和运行，讲解如何将定时任务和爬虫关联起来。对有对信息进行增量更新的需求有一定的参考意义。行文仓促，难免有不足之处，如有不足之处，欢迎各位专家朋友不吝赐教，万分感谢。