标签:
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。
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。
网页正文提取:
网页正文提取项目ContentExtractor已并入WebCollector维护。
WebCollector的正文抽取API都被封装为ContentExtractor类的静态方法。 可以抽取结构化新闻,也可以只抽取网页的正文(或正文所在Element)。
正文抽取效果指标 :
标题抽取和日期抽取使用简单启发式算法,并没有像正文抽取算法一样在标准数据集上测试,算法仍在更新中。
WebCollector 1.x版本现已转移到http://git.oschina.net/webcollector/WebCollector-1.x维护,建议使用2.x版本。
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)内置Berkeley DB管理URL,可以处理更大量级的网页
3)集成selenium,可以对javascript生成信息进行抽取
4)直接支持多代理随机切换
5)集成spring jdbc和mysql connector,方便数据持久化
6)集成json解析器
7)使用slf4j作为日志门面
8)修改http请求接口,用户自定义http请求更加方便
WebCollector 2.x官网和镜像:
WebCollector 2.x教程:
WebCollector 2.x教程(镜像):
版本更新信息:
WebCollector 2.10 发布,更新详情如下:
1 ) 新增新闻网页正文自动提取算法,可自动抽取新闻网页正文、标题和日期,可参照例子:WebCollector正文提取DEMO。
WebCollector 2.09 发布,更新详情如下:
1 ) 新增抽取器Extractor和用于加载抽取器的爬虫MultiExtractorCrawler,提供一种方便分工和维护的爬虫开发方案。可参照例子: WebCollector抽取器DEMO。
2 ) 新增FileSystemOutput,可将网页按照网站拓扑结构存储到本地。
3 ) 修复https请求证书问题。
标签:
原文地址:http://www.cnblogs.com/x113/p/4719822.html