Skip to content

Commit

Permalink
update doc
Browse files Browse the repository at this point in the history
  • Loading branch information
@ferventdesert
ferventdesert committed May 12, 2018
1 parent b8ee268 commit 0e71ae6
Showing 1 changed file with 37 additions and 237 deletions.
274 changes: 37 additions & 237 deletions README.md
View file
Original file line number Diff line number Diff line change
@@ -1,276 +1,76 @@
# Hawk: Advanced Crawler& ETL tool written in C#/WPF

# Hawk-数据抓取工具：简明教程
### 开发者: 沙漠之鹰(desert)


Hawk: Advanced Crawler& ETL tool written in C#/WPF
---

项目地址：
欢迎使用Hawk! HAWK无需编程，可见即所得的图形化数据采集和清洗工具，依据GPL协议开源。

> https://ferventdesert.github.io/Hawk/
![](http://images2018.cnblogs.com/blog/287060/201805/287060-20180512202119241-2084353771.png)


项目主页： https://ferventdesert.github.io/Hawk/

## 1.软件介绍
HAWK是一种数据采集和清洗工具，依据GPL协议开源，能够灵活，有效地采集来自网页，数据库，文件， 并通过可视化地拖拽，
快速地进行生成，过滤，转换等操作。其功能最适合的领域，是爬虫和数据清洗。
## 1.介绍

Hawk的含义为“鹰”，能够高效，准确地捕杀猎物。
Hawk的含义为“鹰”，能够高效，准确地捕杀猎物。它的思想来源于Lisp语言，功能模仿了Linux工具awk。

HAWK使用C# 编写，其前端界面使用WPF开发，支持插件扩展。通过图形化操作，能够快速建立解决方案。
特点如下：
- 智能分析网页内容，无需编程
- 所见即所得，可视化拖拽，快地实现转换和过滤等数据清洗操作
- 能从各类数据库和文件实现导入导出
- 任务可以被保存和复用
- 其最适合的领域是爬虫和数据清洗，但其威力远超于此。

GitHub地址：https://github.com/ferventdesert/Hawk

发行包地址: https://github.com/ferventdesert/Hawk/releases

其Python等价的实现是etlpy:

http://www.cnblogs.com/buptzym/p/5320552.html

笔者专门为其开发的工程文件已公开在GitHub:

https://github.com/ferventdesert/Hawk-Projects

使用时，点击文件，加载工程即可加载。不想编译的话，可执行文件在：

https://github.com/ferventdesert/Hawk/tree/master/Versions

编译路径在:
Hawk.Core\Hawk.Core.sln

![2.gif-3330.9kB][1]

以获取大众点评的所有北京美食为例，使用本软件可在10分钟内完成配置，在1小时之内**自动并行抓取**全部内容，并能监视子线程工作情况。而手工编写代码，即使是使用python，一个熟练的程序员也可能需要一天以上：

![1.gif-1001.8kB][2]

视频演示，复杂度由小到大:

[链家二手房][3]

[微信公共平台][4]

[大众点评-北京美食][5]


## 2.界面和组件介绍
### 2.1 界面介绍

软件采用类似Visual Studio和Eclipse的Dock风格，所有的组件都可以悬停和切换。包括以下核心组件：

![QQ截图20160501105541.jpg-85.3kB][6]

- 左上角区域：主要工作区，可模块管理。
- 下方： 输出调试信息，和任务管理，监控一项任务完成的百分比。
- 右上方区域： 属性管理器，能对不同的模块设置属性。
- 右下方区域： 显示当前已经加载的所有数据表和模块。

### 2.2 数据管理

能够添加来自不同数据源的连接器， 并对数据进行加载和管理：

![QQ截图20160501105629.jpg-13.9kB][7]

在空白处，点击右键，可增加新的连接器。在连接器的数据表上，双击可查看样例，点击右键，可以将数据加载到内存中。也可以选择加载虚拟数据集，此时系统会维护一个虚拟集合， 当上层请求分页数据时， 动态地访问数据库， 从而有效提升性能。

### 2.3 模块管理
目前系统仅仅提供了两个模块： 网页采集器和数据清洗ETL， 双击即可加载一个新的模块。

![QQ截图20160501105646.jpg-6.8kB][8]

之前配置好的模块，可以保存为任务， 双击可加载一个已有任务：

![QQ截图20160501105700.jpg-10.5kB][9]

### 2.4 系统状态管理
当加载了数据集或模块时，在系统状态管理中，就可对其查看和编辑：
点击右键，可以对数据集进行删除，修改名称等。也可以将数据集拖拽到下方的图标上，如拖到回收站，即可删除该模块。
双击数据集或模块，可查看模块的内容。 将数据集拖拽到数据清洗（ 数据视图的下方第一个图标），可直接对本数据集做数据清洗。

![QQ截图20160501105734.jpg-14.6kB][10]

## 3.网页采集器
### 3.1 原理（建议阅读）
网页采集器的功能是获取网页中的数据（废话）。通常来说，目标可能是列表（如购物车列表），或是一个页面中的固定字段（如JD某商品的价格和介绍，在页面中只有一个）。因此需要设置其读取模式。传统的采集器需要编写正则表达式，但方法过分复杂。如果认识到html是一棵树，只要找到了承载数据的节点即可。XPath就是一种在树中描述路径的语法。指定XPath，就能搜索到树中的节点。

![QQ截图20160501105743.jpg-20kB][11]

手工编写XPath也很复杂，因此软件可以通过关键字，自动检索XPath，提供关键字，软件就会从树中递归搜索包含该数据的叶子节点。因此关键字最好是在页面中独一无二的。

如上图所示，只要提供“北京”和“42”这两个关键字，就能找到parent节点， 进而获取div[0]和div[1]这两个列表元素。通过div[0]和div[1]两个节点的比较，我们就能自动发现相同的子节点（name,mount）和不同的节点（北京:上海,37:42）。相同的节点会保存为属性名，不同的节点为属性值。但是，不能提供北京和37，此时，公共节点是div[0]， 这不是列表。

软件在不提供关键字的情况下，也能通过html文档的特征，去计算最可能是列表父节点（如图中的parent）的节点，但当网页特别复杂时，猜测可能会出错，所以需要至少提供两个关键字（ 属性）。
HAWK使用C# 编写，其前端界面使用WPF开发，因此只能运行于windows平台，但提供命令行入口供自动化部署。
以下介绍全部基于最新的Hawk3，请使用老版本的同学尽快通过下面的地址升级最新版。

本算法原理是原创的，可查看源码或留言交流。
![](http://images2018.cnblogs.com/blog/287060/201805/287060-20180512203827617-1470633207.gif)

### 3.2 基本列表
我们以爬取链家二手房为例，介绍网页采集器的使用。首先双击图标，加载采集器：

![QQ截图20160501121116.jpg-17.2kB][12]
以获取大众点评的所有北京美食为例，使用本软件可在10分钟内完成配置，在1小时之内**自动并行抓取**全部内容，并能监视任务工作情况。而手工编写代码，即使是使用python，一个熟练的程序员也可能需要一天以上：

在最上方的地址栏中，输入要采集的目标网址，本次是http://bj.lianjia.com/ershoufang/。并点击刷新网页。此时，下方展示的是获取的html文本。原始网站页面如下：
![](http://images2018.cnblogs.com/blog/287060/201805/287060-20180512221426878-671049210.gif)

由于软件不知道到底要获取哪些内容，因此需要手工给定几个关键字， 让Hawk搜索关键字， 并获取位置。
## 2. 文档和下载地址

![QQ截图20160501121150.jpg-88kB][13]

以上述页面为例，通过检索820万和51789（单价,每次采集时都会有所不同），我们就能通过DOM树的路径，找出整个房源列表的根节点。

下面是实际步骤

![QQ截图20160501121344.jpg-21.6kB][14]

由于要抓取列表，所以**读取模式**选择**List**。 填入搜索字符700， 发现能够成功获取XPath, 编写属性为“总价” ，点击**添加字段**，即可添加一个属性。类似地，再填入30535，设置属性名称为“单价”，即可添加另外一个属性。

如果发现有错误，可点击**编辑集合**， 对属性进行删除，修改和排序。

你可以类似的将所有要抓取的特征字段添加进去，或是直接点击**手气不错**，系统会根据目前的属性，推测其他属性:

![QQ截图20160501121405.jpg-138.5kB][15]

属性的名称是自动推断的，如果不满意，可以**修改列表第一列的属性名**， 在对应的列中敲键盘**回车**提交修改。之后系统就会自动将这些属性添加到属性列表中。

工作过程中，可点击**提取测试** ，随时查看采集器目前的能够抓取的数据内容。这样，一个链家二手房的网页采集器即可完成。可属性管理器的上方，可以修改采集器的模块名称，这样就方便**数据清洗** 模块调用该采集器。

## 4. 数据清洗
数据清洗模块，包括几十个子模块， 这些子模块包含四类：生成， 转换， 过滤和执行

![QQ截图20160501121511.jpg-31.3kB][16]

### 4.0 原理（可跳过）
#### 4.0.1 C#版本的解释

数据清洗的本质是动态组装Linq,其数据链为`IEnumerable<IFreeDocument>`。 `IFreeDocument`是 `IDictionary<string, object>`
接口的扩展。 Linq的Select函数能够对流进行变换，在本例中，就是对字典不同列的操作（增删改），不同的模块定义了一个完整的Linq
流：
```
result= source.Take(mount).where(d=>module0.func(d)).select(d=>Module1.func(d)).select(d=>Module2.func(d))….
```
借助于C#编译器的恩赐， Linq能很方便地支持流式数据，即使是巨型集合（上亿个元素），也能够有效地处理。

#### 4.0.2 Python版本的解释
由于Python没有Linq, 因此组装的是生成器(generator)， 对生成器进行操作，即可定义出类似Linq的完整链条：
```
for tool in tools:
generator = transform(tool, generator)
```
详细源代码，可以参考Github上的开源项目https://github.com/ferventdesert/etlpy/

### 4.1 以链家为例的抓取
### 4.1.1构造url列表
在3.1节介绍了如何实现一个页面的采集，但如何采集所有二手房数据呢？ 这涉及到翻页。

![QQ截图20160501121520.jpg-3.1kB][17]

还是以链家为例，翻页时，我们会看到页面是这样变换的：
```
http://bj.lianjia.com/ershoufang/pg2/
http://bj.lianjia.com/ershoufang/pg3/
…
```
因此，需要构造一串上面的url. 聪明的你肯定会想到， 应当先生成一组序列， 从1到100（假设我们只抓取前100页）。

1. 双击**数据清洗ETL**左侧的搜索栏中搜索**生成区间数**， 将该模块拖到右侧上方的栏目中：

![QQ截图20160501121554.jpg-29.8kB][18]

2. 在右侧栏目中双击生成区间数，可弹出设置窗口， 为该列起名字(id), 最大值填写为100,生成模式默认为Append:
*为什么只显示了前20个？ 这是程序的虚拟化机制， 并没有加载全部的数据，可在ETL属性的**调试**栏目中，修改**采样量**（默认为20）。*
3. 将数字转换为url, 熟悉C#的读者，可以想到string.format, 或者python的%符号：搜索**合并多列**，并将其拖拽到刚才生成的id列， 编写format为下图的格式，即可将原先的数值列变换为一组url

![QQ截图20160501121916.jpg-22.9kB][19]

*(如果需要多个列合并为一个列， 则在“其他项” 栏目中填写其他列的列名，用空格分割， 并在format中用{1},{2}..等表示)*
(由于设计的问题，数据查看器的宽度不超过150像素，因此对长文本显示不全，可以在右侧属性对话框点击**查看样例**， 弹出的编辑器可支持拷贝数据和修改列宽。

### 4.1.2 使用配置好的网页采集器
生成这串URL之后，我们即可将刚才已经完成的网页采集器与这串url进行合并。

拖拽**从爬虫转换**到当前的url，双击该模块：将刚才的网页采集器的名称， 填入**爬虫选择** 栏目中。


之后，系统就会转换出爬取的前20条数据：

![QQ截图20160501122007.jpg-127.3kB][20]

可以看到， 数据中“属性3” 列包含html转义符， 拖拽**html字符转义**，到属性3列，即可自动转换所有转义符。

![QQ截图20160501122026.jpg-81.4kB][21]

如果要修改列名，在最上方的列名上直接修改， 点击回车即可修改名字。

where（面积）列中包含数字，想把数字提取出来，可以将**提取数字**模块拖拽到该列上，所有数字即可提取出来。

类似地，可以拖拽**字符分割**或**正则分割** 到某一列，从而分割文本和替换文本。此处不再赘述。

有一些列为空，可以拖拽**空对象过滤器** 到该列，那么该列为空的话会自动过滤这一行数据。

### 4.1.4 保存和导出数据
需要保存数据时，可以选择写入文件，或者是临时存储（本软件的数据管理器），或是数据库。因此可以将“执行” 模块， 拖入清洗链的后端：
拖**写入数据表**到任意一列， 并填入**新建表名**(如链家二手房)

![QQ截图20160501122057.jpg-32kB][22]

下图是这次操作的所有子模块列表：

![QQ截图20160501122110.jpg-14.1kB][23]

之后，即可对整个过程进行操作：
GitHub地址：https://github.com/ferventdesert/Hawk

选择**串行模式**或**并行模式**， 并行模式使用线程池， 可设定最多同时执行的线程数（最好不要超过100）。推荐使用并行模式，
示例工程文件： https://github.com/ferventdesert/Hawk-Projects

![QQ截图20160501122136.jpg-12.5kB][24]
文档地址: https://github.com/ferventdesert/Hawk/wiki

点击**执行**按钮，即可在任务管理视图中采集数据。
编译： 下载VS2015及以上版本，解决方案路径在Hawk.Core\Hawk.Core.sln

![QQ截图20160501122147.jpg-10.5kB][25]
## 3. 更新历史

之后，在**数据管理**的数据表**链家二手房**上点击右键， 选择另存为， 导出到Excel,Json等，即可将原始数据导出到外部文件中。
- 2012 开始开发
- 2016.4 Hawk1开源发布
- 2016.10 Hawk2发布 支持动态嗅探和超级模式，修复bug
- 2018.5 Hawk3 交互极大优化，增强子任务,支持sqlite等。

![QQ截图20160501122153.jpg-3.8kB][26]
其Python类似的实现是etlpy:但由于Hawk更新频繁，Hawk3无法再兼容，因此etlpy仅供参考。

类似的， 你可以在清洗流程中拖入执行器，则保存的是中间过程，也可以在结尾拖入多个执行器，这样就能同时写入数据库或文件， 从而获得了极大的灵活性。
> http://www.cnblogs.com/buptzym/p/5320552.html

### 4.1.5 保存任务
## 4. 视频演示

在右下角的**算法视图**中的任意模块上点击右键，保存任务，即可在任务视图中保存新任务（任务名称与当前模块名字一致），下次可直接加载即可。如果存在同名任务， 则会对原有任务进行覆盖。
在**算法视图**的空白处，点击**保存所有模块**,会批量保存所有的任务。
友情提示：由于软件更新频繁，界面有较大变化。一切更改以最新版本的软件为主，请谅解。视频演示，复杂度由小到大。

![QQ截图20160501122208.jpg-12.1kB][27]
[链家二手房][3]
[微信公共平台][4]
[大众点评-北京美食][5]

你可以将一批任务，保存为一个工程文件(xml)，并在之后将其加载和分发。
抓取动态页面： https://v.qq.com/x/page/a03878tihmx.html

## 5.总结
上文以抓取房地产网站链家为例，介绍了软件的整体使用流程。当然，Hawk功能远远不限于这些。之后我们将通过一系列文章来介绍其使用方法。
Hawk答疑： https://v.qq.com/x/page/n0387axmgg5.html

值得提醒的是，由于软件功能在不断地升级，可能会出现视频和图片与软件中不一致的情况，因此所有的介绍和功能以软件的实际功能为准。


[1]: http://static.zybuluo.com/buptzym/10kykg6qhqvsabbq8yj32pt0/2.gif
[2]: http://static.zybuluo.com/buptzym/qkl0vavjn6cj007qfk2k3gqg/1.gif
[3]: http://v.qq.com/page/w/9/2/w0189607h92.html
[4]: http://v.qq.com/page/c/s/n/c0189jwd2sn.html
[5]: http://v.qq.com/page/z/g/h/z01891n1rgh.html
[6]: http://static.zybuluo.com/buptzym/v78amnwjxvueigprccufbfia/QQ%E6%88%AA%E5%9B%BE20160501105541.jpg
[7]: http://static.zybuluo.com/buptzym/cympkkptyzq6r370ositd2dh/QQ%E6%88%AA%E5%9B%BE20160501105629.jpg
[8]: http://static.zybuluo.com/buptzym/bowssqpr6hn4hi04dgqa0379/QQ%E6%88%AA%E5%9B%BE20160501105646.jpg
[9]: http://static.zybuluo.com/buptzym/xvnwm920v2hag2nw6rjh02o7/QQ%E6%88%AA%E5%9B%BE20160501105700.jpg
[10]: http://static.zybuluo.com/buptzym/kfz2k0xfvbjtun5ah6hlxoph/QQ%E6%88%AA%E5%9B%BE20160501105734.jpg
[11]: http://static.zybuluo.com/buptzym/dxqqbjlba56s5d57z5h0s73t/QQ%E6%88%AA%E5%9B%BE20160501105743.jpg
[12]: http://static.zybuluo.com/buptzym/oewq9v4d5hxgbigrp9hdkhlz/QQ%E6%88%AA%E5%9B%BE20160501121116.jpg
[13]: http://static.zybuluo.com/buptzym/nrv8npp2vcl9xgca8uaw6env/QQ%E6%88%AA%E5%9B%BE20160501121150.jpg
[14]: http://static.zybuluo.com/buptzym/neu1xcacq7xqlmmosmrm90u1/QQ%E6%88%AA%E5%9B%BE20160501121344.jpg
[15]: http://static.zybuluo.com/buptzym/w7pofwp8iak6x543dtakh7zo/QQ%E6%88%AA%E5%9B%BE20160501121405.jpg
[16]: http://static.zybuluo.com/buptzym/t2n9br3zb8wj255sgsf4sonf/QQ%E6%88%AA%E5%9B%BE20160501121511.jpg
[17]: http://static.zybuluo.com/buptzym/p4hlx2dcr1q1h5b35zpwjadx/QQ%E6%88%AA%E5%9B%BE20160501121520.jpg
[18]: http://static.zybuluo.com/buptzym/4c642vm06i8ly9chwg4z5ey7/QQ%E6%88%AA%E5%9B%BE20160501121554.jpg
[19]: http://static.zybuluo.com/buptzym/krygj7w1tnnqg15109nfqy8w/QQ%E6%88%AA%E5%9B%BE20160501121916.jpg
[20]: http://static.zybuluo.com/buptzym/1pza1m030dnnbuiennl97bah/QQ%E6%88%AA%E5%9B%BE20160501122007.jpg
[21]: http://static.zybuluo.com/buptzym/8mhj6nlnnj7jey3vpo39jkl5/QQ%E6%88%AA%E5%9B%BE20160501122026.jpg
[22]: http://static.zybuluo.com/buptzym/fhrvseodtkfgchzat4adk807/QQ%E6%88%AA%E5%9B%BE20160501122057.jpg
[23]: http://static.zybuluo.com/buptzym/f37mi17724kndq72g449gibm/QQ%E6%88%AA%E5%9B%BE20160501122110.jpg
[24]: http://static.zybuluo.com/buptzym/ub1sqzyotk3b1qe7r757hg0y/QQ%E6%88%AA%E5%9B%BE20160501122136.jpg
[25]: http://static.zybuluo.com/buptzym/2w4j8s3riruxf4kau5f4z767/QQ%E6%88%AA%E5%9B%BE20160501122147.jpg
[26]: http://static.zybuluo.com/buptzym/k48smy5kz3dmt3b155w4dadm/QQ%E6%88%AA%E5%9B%BE20160501122153.jpg
[27]: http://static.zybuluo.com/buptzym/udmtz6pwy522pft6ahnsz5kj/QQ%E6%88%AA%E5%9B%BE20160501122208.jpg

0 comments on commit 0e71ae6

Please sign in to comment.