gecco爬虫初见与综述

2021SC@SDUSC

Gecco是一款用java语言开发的轻量化的易用的网络爬虫。作为国内大佬研发的java网络爬虫，Gecco整合了jsoup、httpclient、fastjson、spring、htmlunit、redission等优秀框架，我们使用者只需要配置一些jquery风格的选择器就能很快的写出一个爬虫。同时这个Gecco框架有优秀的可扩展性，框架基于开闭原则进行设计，对修改关闭、对扩展开放。

以上是gecco爬虫官网的介绍，作为一个java爬虫，它

• 简单易用，使用jquery风格的选择器抽取元素
• 支持爬取规则的动态配置和加载
• 支持页面中的异步ajax请求
• 支持页面中的javascript变量抽取
• 利用Redis实现分布式抓取
• 支持结合Spring开发业务逻辑
• 支持htmlunit扩展
• 支持插件扩展机制
• 支持下载时UserAgent随机选取
• 支持下载代理服务器随机选取

其中的quick start提供了一个简易的网络爬虫

@Gecco(matchUrl="https://github.com/{user}/{project}", pipelines="consolePipeline")
public class MyGithub implements HtmlBean {

    private static final long serialVersionUID = -7127412585200687225L;

    @RequestParameter("user")
    private String user;//url中的{user}值

    @RequestParameter("project")
    private Strin