ScriptSpider: 一个分布式的简单易用的 JAVA 爬虫框架

ScriptSpider

ScriptSpider（以下简称 SS），做一个好用的爬虫框架。

目前的功能已经够大多数情况下使用，ScriptSpider 会朝着易用、高度、最新技术的方向发展！

欢迎 Star 和 Fork 我的项目！算是给点鼓励也好（嘿嘿）

特点

• Java 开发（学习 java 的良方）
• 易理解（中文注释，多样例代码）
• 易用性（最短一行代码就可以开始爬虫）
• 代码少（已经默认实现了大部分功能）
• 基于 Jsoup（个人化解析网页方便）
• 高度扩展性（热插拔组件，可定制每一个流程）
• 速度快（多线程爬虫，线程池管理，线程池下载，分布式）
• 分布式（基于 redis，mq 等，部署简单，速度很快）【部分待完成】
• 反爬虫（模拟浏览器，随机 userAgent）【部分待完成】
• 代理（自动切换代理）【待完成】
• 监控（分布式监控）【待完成】
• 故障重爬（断电，宕机后继续爬取）【待完成】
• 未完待续

安装

使用 maven

<dependency>
    <groupId>com.github.xjtushilei</groupId>
    <artifactId>scriptspider</artifactId>
    <version>0.2</version>
    <!--请尽量使用最新版本-->
</dependency>

关于版本

请尽量使用最新版本，http://search.maven.org,中央仓库搜索最新版本

因为文档都是根据最新版本来及时更新的。

离线使用 jar 包

在项目主页的 releases 目录

在最新的 release 下面，下载相应的所有的依赖包集合 zip：dependency.zip。

打开自己的工程，导入即可！

如何开始

在开始之前，你应该先了解该框架是如何工作的。

流程图

基本上，你只需要提供“解析器”，“下载器”两个模块就好啦。

因为 SS 也不知道您想要哪一部分内容，不知道您想存到哪里~

如果您对上图很了解，那么可以直接开始编程了。或者您可以先看一下下面的简单用法介绍。

在 src/main/java/com/github/xjtushilei/example 中可以查看所有的样例程序

最小 Spider

    //爬取《交大新闻网》开始的所有页面信息，并将信息打印到控制台！

    Spider.build().addUrlSeed("http://news.xjtu.edu.cn").run();

一句话，就能实现一个爬虫！

因为，我们给您默认提供了好多组件。

最小多线程 Spider

    //爬取《交大新闻网》开始的所有页面信息，并将信息打印到控制台！
    Spider.build()
          .thread(10)   //设置多少个线程
          .addUrlSeed("http://news.xjtu.edu.cn")
          .run();

如果您没有设置 thread 选项，默认是 5 个线程

当然了，您可以使用 .thread(1) 来使用单线程。虽然我们不建议您这么做。

甚至您可以使用 .thread(-100) 来启动线程（呵呵，默认是 5）

正常的机器，我们推荐您使用 10 个以上的线程进行尝试！

更多的示范

请移步 How to Start

感受

1. 设计一个框架需要考虑的东西需要很多，自己能力有限，第一次设计，不妥之处欢迎大家提 issue。
2. 开源项目，需要花费很多的精力，自己有时候也挺疯狂的，各种折腾。回首一看，还是挺开心的。
3. 如果你有兴趣，可以加入 ScriptSpider，我们一起构建更美好的 JAVA 爬虫框架！

背景

因背景有失大雅，故放在后面。

无意之中看到了一个软件设计大赛，看到一个题目有兴趣，结果工作人员迟迟不给示例文件密码，破解失败，无奈就随手选了个题目，那就爬虫吧。

欢迎加入我们

虽然现在只有一个人。

联系个人主页的邮箱、QQ 等即可。