###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。
###1.x: WebCollector 1.x版本现已转移到https://git.oschina.net/webcollector/WebCollector-1.x维护,建议使用2.x版本。
###2.x: 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教程:
- WebCollector 2.x tutorial(中文教程)
- WebCollector爬取JS生成数据
- WebCollector爬取搜狗搜索(分页)
- WebCollector爬取JSON数据
- 使用SoupLang脚本同时管理多个页面爬取 SoupLang脚本
- 用WebCollector 2.x爬取新浪微博(无需手动获取cookie)
WebCollector 2.x教程(镜像):