新功能:
-
新增ajax网页渲染器,ajax网页轻松采集;
-
升级ES至5.2版本;
-
修正一些BUG;
预编译版本及相关依赖下载地址: https://pan.baidu.com/s/1i4IoEhB 密码:v3jm 。
在线文档地址:https://gsh199449.github.io/gather_platform_pages/
Github地址:https://github.com/gsh199449/spider
码云地址:https://git.oschina.net/gsh199449/spider
Gather Platform 数据抓取平台是一套基于 Webmagic 内核的,具有 Web 任务配置和任务管理界面的数据采集平台,一个轻量级的搜索引擎系统。
5分钟即可部署完毕,半分钟即可完成一个爬虫,开始数据采集. 不需要进行任何编码就可以完成一个功能强大的爬虫.
具有以下功能:
-
根据配置的模板进行数据采集
-
对采集的数据进行NLP处理,包括:抽取关键词,抽取摘要,抽取实体词
-
在不配置采集模板的情况下自动检测网页正文,自动抽取文章发布时间
-
动态字段抽取与静态字段植入
-
已抓取数据的管理,包括:搜索,增删改查,按照新的数据模板重新抽取数据
-
多数据输出方式:Elasticsearch、JSON文本,Redis