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
技术交流