java 爬虫_基于 Java 的开源网络爬虫框架 WebCollector

爬虫简介：

WebCollector 是一个无须配置、便于二次开发的 Java 爬虫框架(内核)，它提供精简的的 API，只需少量代码即可实现一个功能强大的爬虫。WebCollector-Hadoop 是 WebCollector 的 Hadoop 版本，支持分布式爬取。

目前WebCollector-Python项目已在Github上开源，欢迎各位前来贡献代码：https://github.com/CrawlScript/WebCollector-Python

爬虫内核：

WebCollector 致力于维护一个稳定、可扩的爬虫内核，便于开发者进行灵活的二次开发。内核具有很强的扩展性，用户可以在内核基础上开发自己想要的爬虫。源码中集成了 Jsoup，可进行精准的网页解析。2.x 版本中集成了 selenium，可以处理 JavaScript 生成的数据。

Maven：

最新Maven地址请参考文档：https://github.com/CrawlScript/WebCollector/blob/master/README.md

文档地址：

https://github.com/CrawlScript/WebCollector/blob/master/README.md

内核构架图：

WebCollector 2.x 版本特性：

1. 自定义遍历策略，可完成更为复杂的遍历业务，例如分页、AJAX
2. 可以为每个 URL 设置附加信息(MetaData)，利用附加信息可以完成很多复杂业务，例如深度获取、锚文本获取、引用页面获取、POST 参数传递、增量更新等。
3. 使用插件机制，用户可定制自己的Http请求、过滤器、执行器等插件。
4. 内置一套基于内存的插件(RamCrawler)，不依赖文件系统或数据库，适合一次性爬取，例如实时爬取搜索引擎。
5. 内置一套基于 Berkeley DB(BreadthCrawler)的插件：适合处理长期和大量级的任务，并具有断点爬取功能，不会因为宕机、关闭导致数据丢失。
6. 集成 selenium，可以对 JavaScript 生成信息进行抽取
7. 可轻松自定义 http 请求，并内置多代理随机切换功能。 可通过定义 http 请求实现模拟登录。
8. 使用 slf4j 作为日志门面，可对接多种日志
9. 使用类似Hadoop的Configuration机制，可为每个爬虫定制配置信息。

WebCollector 2.x 官网和镜像：

• 官网：https://github.com/CrawlScript/WebCollector

WebCollector 2.x教程：

WebCollector配置

• WebCollector配置教程

WebCollector入门

• WebCollector简单入门教程

WebCollector特色功能

• 【推荐】WebCollector教程——MetaData
• 【推荐】WebCollector教程——MatchUrl和MatchType
• WebCollector 教程——去重辅助插件 NextFilter
• WebCollector教程——断点爬取
• WebCollector教程——网页正文自动提取

WebCollector持久化

• WebCollector教程——使用Spring JDBC持久化数据

WebCollector高级爬虫定制

• WebCollector 2.72自定义Http请求插件(定制User-Agent和Cookie等请求头)
• WebCollector 2.72处理301/302重定向、404 Not Found等Http状态
• WebCollector 2.72使用阿布云代理

WebCollector处理Javascript

• WebCollector教程——爬取Javascript加载的数据

import cn.edu.hfut.dmic.webcollector.model.CrawlDatums;import cn.edu.hfut.dmic.webcollector.model.Page;import cn.edu.hfut.dmic.webcollector.plugin.rocks.BreadthCrawler;/** * Crawling news from github news * * @author hu */public class DemoAutoNewsCrawler extends BreadthCrawler { /** * @param crawlPath crawlPath is the path of the directory which maintains * information of this crawler * @param autoParse if autoParse is true,BreadthCrawler will auto extract * links which match regex rules from pag */ public DemoAutoNewsCrawler(String crawlPath, boolean autoParse) { super(crawlPath, autoParse); /*start pages*/ this.addSeed("https://blog.github.com/"); for(int pageIndex = 2; pageIndex <= 5; pageIndex++) { String seedUrl = String.format("https://blog.github.com/page/%d/