java调用python程序 egg_GitHub - pythonjavaphpc/Egg: 一个通用的爬虫

Egg 简介

它一个通用高效的爬虫,希望它能够替大家实现一些需求，更希望能为开源做出自己的贡献。目前，还在成长，在我的构想下，它还需要添加很多功能，我会继续完善。有任何疑问以及需求请以与作者交流:630841816@qq.com

Egg是一个通用，多线程的Java爬虫框架。

Egg简单小巧，api非常简单，容易上手。

Egg性能不错，并实现多种请求方式。

能够比较快的响应使用者的需求

###速度说明

####实测数据，在20M无线网下(隔了堵墙，所以会不稳定)

#####1. 爬取1000网页，重复爬取十次

8线程，耗时平均在15秒左右

16线程，平均耗时12秒左右

32线程，平均耗时12秒左右

速度大概在1.7-2.5m/s左右

###功能介绍

1.可以通过各种方式爬取网页，当然有些并不完善，在目前主要实现get,post，其余会继续开发

2.可以从网页中提取出主体内容

3.其余在仍在开发....

###开发说明

作者非常希望能通过自己的努力，可以推动一点开源事业的发展，很希望可以为开源做出自己的一份贡献，更希望能够在一个深入发掘。Egg虽然还有很多不如人意的地方，但是作为在校大学生，会为大家及时解决并更新代码。遇到有需要的需求，可以及时添加功能，和大家广泛交流。作为开发者，在开发出简单易懂，容易使用的软件做着努力，所以，初学者我认为也应该很容易可以从它里面获取自己想要的。大家可以阅读源码，熟悉代码流程，和相关包的使用。

###希望

作为开发者当然希望越来越多的人使用它。并且可以为它提出你宝贵的意见和建议。

协议

贡献者

向下面提交过代码的同学表示感谢(哈哈，就我啦)

邮件交流

0.3.00版本更新说明

相对于以前的api，这个版本更加易用，功能也愈加完善，配置更加简单

与之前的版本添加dataprocesspor包，用来处理Page 中的result

新添model包，系统中数据传输的model

BaseModel任何model都可以继承它，它封装了model的共有操作

新添Site，用于配置爬虫爬取的站点信息，有了更加丰富的配置，类似于headers,cookie,等等

net包修改

添加FactoryMonitor 虚拟类，用来监控factory长生多少request

新添page 用来保存抓取后的数据

RequestFactory用来产生request

新添parse包，用来解析抓取数据

Parser是一个解析器，用来方便用户提取抓取数据中自己需要的东西

Handler是一个处理器，用来处理每次抓取之后的操作

Selector是一个选择器，用来判断是否是我们所需要的内容