XXL-CRAWLER v1.2.2 发布，分布式爬虫框架

zhaofeihao 发布于2019-08-16 13:29 / 1867人阅读

摘要：新特性系统底层重构，规范包名采集线程白名单过滤优化，避免冗余失败重试增强渲染方式采集能力，原生新提供，支持以方式采集页面数据支持采集非页面，如接口等，直接输出响应数据选择即可简介是一个分布式爬虫框架。默认提供单机版爬虫。

v1.2.2 新特性

1、系统底层重构，规范包名；

2、采集线程白名单过滤优化，避免冗余失败重试；

3、增强JS渲染方式采集能力，原生新提供 "SeleniumPhantomjsPageLoader"，支持以 "selenisum + phantomjs" 方式采集页面数据；

4、支持采集非Web页面，如JSON接口等，直接输出响应数据；选择 "NonPageParser" 即可；

简介

XXL-CRAWLER 是一个分布式爬虫框架。一行代码开发一个分布式爬虫，拥有"多线程、异步、IP动态代理、分布式、JS渲染"等特性；

特性

1、简洁：API直观简洁，可快速上手；

2、轻量级：底层实现仅强依赖jsoup，简洁高效；

3、模块化：模块化的结构设计，可轻松扩展

4、面向对象：支持通过注解，方便的映射页面数据到PageVO对象，底层自动完成PageVO对象的数据抽取和封装返回；单个页面支持抽取一个或多个PageVO

5、多线程：线程池方式运行，提高采集效率；

6、分布式支持：通过扩展 "RunData" 模块，并结合Redis或DB共享运行数据可实现分布式。默认提供LocalRunData单机版爬虫。

7、JS渲染：通过扩展 "PageLoader" 模块，支持采集JS动态渲染数据。原生提供 Jsoup(非JS渲染，速度更快)、HtmlUnit(JS渲染)、Selenium+Phantomjs(JS渲染，兼容性高) 等多种实现，支持自由扩展其他实现。

8、失败重试：请求失败后重试，并支持设置重试次数；

9、代理IP：对抗反采集策略规则WAF；

10、动态代理：支持运行时动态调整代理池，以及自定义代理池路由策略；

11、异步：支持同步、异步两种方式运行；

12、扩散全站：支持以现有URL为起点扩散爬取整站；

13、去重：防止重复爬取；

14、URL白名单：支持设置页面白名单正则，过滤URL；

15、自定义请求信息，如：请求参数、Cookie、Header、UserAgent轮询、Referrer等；

16、动态参数：支持运行时动态调整请求参数；

17、超时控制：支持设置爬虫请求的超时时间；

18、主动停顿：爬虫线程处理完页面之后进行主动停顿，避免过于频繁被拦截；

文档地址

中文文档

技术交流

社区交流

GPU云服务器云服务器爬虫框架网络爬虫框架简单爬虫框架 php爬虫框架

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/71834.html

XXL-CRAWLER v1.2.1 发布了

摘要：版本新特性渲染支持渲染方式采集数据，可参考爬虫示例抽象并设计，方便自定义和扩展页面加载逻辑，如渲染等。默认提供单机版爬虫。渲染通过扩展模块，支持采集动态渲染数据。原生提供快速推荐和较慢渲染两种实现，支持自由扩展其他实现。版本新特性 1、JS渲染：支持JS渲染方式采集数据，可参考爬虫示例6； 2、抽象并设计PageLoader，方便自定义和扩展页面加载逻辑，如JS渲染等。底层提供 ...

keithyau 2019-08-16 11:02 评论0 收藏0
面向对象的分布式爬虫框架XXL-CRAWLER

摘要：面向对象的分布式爬虫框架一简介概述是一个面向对象的分布式爬虫框架。分布式集群集群方式维护爬虫爬虫运行数据，可通过或定制实现。《面向对象的分布式爬虫框架XXL-CRAWLER》 showImg(https://segmentfault.com/img/remote/1460000011842697);showImg(https://segmentfault.com/img/remote...

anquan 2019-08-15 12:27 评论0 收藏0
爬虫平台Crawlab v0.2发布

摘要：是一个专注于爬虫的集成了爬虫管理任务调度任务监控数据分析等模块的分布式爬虫管理平台，非常适合对爬虫管理爬虫工程化有要求的开发者及企业。从目前开源的框架来看，大部分爬虫平台是以为核心，因此只能支持框架的爬虫，而不仅支持，还支持其他框架的爬虫。 showImg(https://segmentfault.com/img/remote/1460000019143107?w=2559&h=112...

yiliang 2019-07-31 10:24 评论0 收藏0
海航生态科技舆情大数据平台容器化改造

摘要：本文转载自微信公众号账号，作者为海航生态科技技术研究院大数据开发工程师高颜。文章介绍了海航生态科技舆情大数据平台的容器化改造经验，包括初期技术架构应用容器化架构迁移持续发布与部署。本文转载自微信公众号Docker（账号：dockerone），作者为海航生态科技技术研究院大数据开发工程师高颜。文章介绍了海航生态科技舆情大数据平台的容器化改造经验，包括初期技术架构、应用容器化、架构迁...

idealcn 2019-06-28 17:50 评论0 收藏0
利用 scrapy 集成社区爬虫功能

摘要：为了方便用户展示自己的社区资料，雨点儿网中增加了一个社区爬虫功能。方案使用运行爬虫鉴于项目当前的架构，准备使用来执行异步爬虫。可以同时执行多个爬虫，最大进程数可配，防止系统过载。尾欢迎使用我们的爬虫功能来收集社交资料。序社区活跃度或者贡献越来越受到重视，往往会作为获得工作或者承接项目的加分项。为了方便用户展示自己的社区资料，雨点儿网中增加了一个社区爬虫功能。当前只爬取了用户主页上...

Yangyang 2019-06-26 16:57 评论0 收藏0