ScriptSpider

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！

项目主页

国外：github
国内：coding.net

特点

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

安装

使用maven

<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,**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。

离线使用jar包

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！

如何开始

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

最小Spider

    //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。

最小多线程Spider

    //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！

感受

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。
多线程调bug好忧伤。
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。
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！

背景

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。

欢迎加入

联系个人主页的邮箱、QQ等即可。

版本更新记录

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

MrZhangsGit/ScriptSpider