ScriptSpider(以下简称SS),做一个好用的爬虫框架。

目前的功能已经够大多数情况下使用,ScriptSpider会朝着易用、高度、最新技术的方向发展!

欢迎 Star 和 Fork 我的项目!

• 国外:github
• 国内:coding.net

• Java开发(学习java的良方)
• 易理解(中文注释,多样例代码)
• 易用性(最短一行代码就可以开始爬虫)
• 代码少(已经默认实现了大部分功能)
• 基于Jsoup(个人化解析网页方便)
• 高度扩展性(热插拔组件,可定制每一个流程)
• 速度快(多线程爬虫,线程池管理,线程池下载,分布式)
• 分布式(基于redis,mq等,部署简单,速度很快)【部分待完成】
• 反爬虫(模拟浏览器,随机userAgent)【部分待完成】
• 代理(自动切换代理)【待完成】
• 监控(分布式监控)【待完成】
• 故障重爬(断电,宕机后继续爬取)【待完成】
• 未完待续

<dependency>
 <groupId>com.github.xjtushilei</groupId>
 <artifactId>scriptspider</artifactId>
 <version>0.2</version>
 <!--请尽量使用最新版本-->
</dependency>

关于版本

请尽量使用最新版本,http://search.maven.org,中央仓库搜索最新版本

因为文档都是根据最新版本来及时更新的。

在项目主页的 releases目录

在最新的release下面,下载相应的所有的依赖包集合zip:dependency.zip。

打开自己的工程,导入即可!

在开始之前,你应该先了解该框架是如何工作的。

流程图

基本上,你只需要提供"解析器","下载器"两个模块就好啦。

因为SS也不知道您想要哪一部分内容,不知道您想存到哪里~

如果您对上图很了解,那么可以直接开始编程了。或者您可以先看一下下面的简单用法介绍。

在src/main/java/com/github/xjtushilei/example中可以查看所有的样例程序

 //爬取《交大新闻网》开始的所有页面信息,并将信息打印到控制台!
 Spider.build().addUrlSeed("http://news.xjtu.edu.cn").run();

一句话,就能实现一个爬虫!

因为,我们给您默认提供了好多组件。

 //爬取《交大新闻网》开始的所有页面信息,并将信息打印到控制台!
 Spider.build()
 .thread(10) //设置多少个线程
 .addUrlSeed("http://news.xjtu.edu.cn")
 .run();

如果您没有设置thread选项,默认是5个线程

当然了,您可以使用.thread(1)来使用单线程。虽然我们不建议您这么做。

甚至您可以使用.thread(-100)来启动线程(呵呵,默认是5)

正常的机器,我们推荐您使用10个以上的线程进行尝试!

请移步How to Start

1. 设计一个框架需要考虑的东西需要很多,自己能力有限,第一次设计,不妥之处欢迎大家提issue。
2. 多线程调bug好忧伤。
3. 开源项目,需要花费很多的精力,自己有时候也挺疯狂的,各种折腾。回首一看,还是挺开心的。
4. 如果你有兴趣,可以加入ScriptSpider,我们一起构建更美好的JAVA爬虫框架!

因背景有失大雅,故放在后面。

无意之中看到了一个软件设计大赛,看到一个题目有兴趣,结果工作人员迟迟不给示例文件密码,破解失败,无奈就随手选了个题目,那就爬虫吧。

联系个人主页的邮箱、QQ等即可。

• V-0.2
  • 完成基本的说明文档和样例程序。修复已知bug。
• V-0.1.1
  • 完成基于redis的分布式调度
• V-0.0.1
  • 基本的爬虫功能