开源网页数据爬虫抽取工具 GoldDataSpider

GoldDataSpider 是用于抓取网页和抽取数据的工具。其核心代码是从金色数据抓取融合平台分离而来。

该项目提供抓取和抽取来自网页数据，不仅可以抽取网页内的内容，还能抽取URL、HTTP报头、Cookie里的数据。

该项目定义了一种简洁、灵活、敏捷的结构或者说是规则语法。极尽其所能将网页内容、HTTP报头、Cookie、甚至关联其它网页、其它网站数据，抽取出有意义有价值数据字段，组成一条数据记录。除此之外，还能内嵌http请求，以补充数据字段，比如某些字段需要向词典提供翻译这样的字段等等。

该项目还可支持从各种类型文档抽取数据，比如html/xml/json/javascript/text等。

使用入门

首先，我们需要将依赖加入项目当中即可（因为我们已经将该项目加入到maven中央仓库），如下：

1、对于maven项目

<dependency>
 <groupId>com.100shouhou.golddata</groupId>
 <artifactId>golddata-spider</artifactId>
 <version>1.1.3</version>
</dependency>

2、对于gradle项目

compile group: 'com.100shouhou.golddata', name: 'golddata-spider', version: '1.1.3'

然后你将可以使用该依赖所提供的简洁清晰的API，如下:

@Test
public void testGoldSpider(){
 String ruleContent=
 " { 
"+
 " __node: li.sky.skyid 
"+
 " date: 
"+
 " { 
"+
 " expr: h1 
"+
 " __label: 日期 
"+
 " } 
"+
 " sn: 
"+
 " { 
"+
 " 
"+
 " js: md5(baseUri+item.date+headers['Content-Type']);
"+
 " } 
"+
 " weather: 
"+
 " { 
"+
 " expr: p.wea 
"+
 " } 
"+
 " temprature: 
"+
 " { 
"+
 " expr: p.tem>i 
"+
 " } 
"+
 " } 
";
 GoldSpider spider= com.xst.golddata.GoldSpider.newSpider()
 .setUrl("http://www.weather.com.cn/weather/101020100.shtml")
 .setRule(ruleContent)
 .request();
 List list=spider.extractList();
 // List<Weather> weathers=spider.extractList(Weather.class);
 // Weather weathers=spider.extractFirst(Weather.class);
 list.forEach( System.out::println);
}

运行上面的测试，你将可以看类似下面的输出：

{date=19日（今天）, weather=阴转小雨, temprature=10℃, sn=8bc265cb2bf23b6764b75144b255d81d}
{date=20日（明天）, weather=小雨转多云, temprature=11℃, sn=9efd7e7bbbfb9bb06e04c0c990568bfd}
{date=21日（后天）, weather=多云转中雨, temprature=11℃, sn=728539ac882721187741708860324afa}
{date=22日（周六）, weather=小雨, temprature=9℃, sn=a23fa2233e750a3bdd11b2e200ed06c3}
{date=23日（周日）, weather=小雨转多云, temprature=8℃, sn=b27e1b8a8e92a7bed384ceb3e4fdfb5f}
{date=24日（周一）, weather=多云转小雨, temprature=8℃, sn=c142b7fd12330ca031dd96b307c0d50d}
{date=25日（周二）, weather=小雨转中雨, temprature=6℃, sn=16f71d3c8f09394588532a3ed1a8bacf}

当作Service或者API使用

你可以在项目中，可以当作调用服务和API使用。例如如下：

@Service
public class WeatherServiceImpl implements WeatherService{
	public List<Weather> listByCityId(Long cityId){
		String url="http://www.weather.com.cn/weather/"+cityId+".shtml"
	 String rule="<同上>"
		GoldSpider spider= com.xst.golddata.GoldSpider.newSpider()
						.setUrl(url)
						.setRule(ruleContent)
						.request();
 
 return spider.extractList(Weather.class); 
	}
}

另外，你可以免费使用可视化辅助编辑器来编辑规则内容， 可视化辅助编辑器来自金色数据平台，可以点击链接下载，可视化编辑器截屏如下：

开源网页数据爬虫抽取工具 GoldDataSpider

项目代码

https://gitee.com/golddata/golddata-spider

整理来源：www.ruanbe.com