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
- 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。
- 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。
- 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。
欢迎来到这里!
我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。
注册 关于