分享个人开源爬虫框架

Cetty

一个轻量级的基于事件分发的爬虫框架。

An event dispatch crawler framework.

功能介绍

• 基于完全自定义事件处理机制的爬虫框架。
• 模块化的设计，提供强大的可扩展性。
• 基于HttpClient支持同步和异步数据抓取。
• 支持多线程。
• 基于Jsoup页面解析框架提供强大的网页解析处理能力。

快速开始

使用Maven

<dependency>
  <groupId>com.jibug.cetty</groupId>
  <artifactId>cetty-core</artifactId>
  <version>0.1.5</version>
</dependency>
复制代码

帮助

1.详细文档：cetty.jibug.com/
2.QQ群

3.bug反馈： issues

让我们来写第一个demo

/**
 * 抓取天涯论坛文章列表标题
 * http://bbs.tianya.cn/list-333-1.shtml
 *
 * @author heyingcai
 */
public class Tianya extends ProcessHandlerAdapter {

    @Override
    public void process(HandlerContext ctx, Page page) {
        //获取 Document
        Document document = page.getDocument();
        //dom解析
        Elements itemElements = document.
                select("div#bbsdoc>div#bd>div#main>div.mt5>table>tbody").
                get(2).
                select("tr");
        List<String> titles = Lists.newArrayList();
        for (Element item : itemElements) {
            String title = item.select("td.td-title").text();
            titles.add(title);
        }

        //获取Result对象，将我们解析出来的结果向下一个handler传递
        Result result = page.getResult();
        result.addResults(titles);
        
        //通过fireXXX 方法将本handler 处理的结果向下传递
        //本教程直接将结果传递给ConsoleHandler，将结果直接输出控制台
        ctx.fireReduce(page);
    }

    public static void main(String[] args) {
        //启动引导类
        Bootstrap.
                me().
                //使用同步抓取
                isAsync(false).
                //开启一个线程
                setThreadNum(1).
                //抓取入口url
                startUrl("http://bbs.tianya.cn/list-333-1.shtml").       
                //通用请求信息
                setPayload(Payload.custom()).        
                //添加自定处理器
                addHandler(new Tianya()).        
                //添加默认结果处理器，输出至控制台
                addHandler(new ConsoleReduceHandler()).        
                start();
    }
}
复制代码

历史版本

版本	说明
0.1.0	支持基本爬虫功能
0.1.5	1.支持xpath 2.修复添加cookie失效问题 3.优化底层逻辑

TODO

• 支持注解方式
• 支持代理池
• 支持Berkeley 内存数据作为url管理器，提供海量url存储并提高存取效率
• 支持热更新
• 支持爬虫治理