quick-crawler
java实现的爬虫框架
从头开始, 一步一步的实现一个可用的爬虫框架,每个地方加一个里程碑的tag,主要用于记录这个工程的诞生过程
tag 记录列表
v0.001
1.实现了一个最简单,最基础的爬虫, 处于能用的阶段
v0.002
2.利用HttpClient来替代jdk的http请求;新增http参数配置
v0.003
3.实现深度爬网页
- 支持正向、逆向链接过滤
- 在内存中保存爬取记录,用于去重过滤
- 提供爬取完成后的回调方法,用于结果处理
v0.004
4.实现爬取队列
- 每个Job只执行当前网页的抓取,将网页中满足深度抓取的链接塞入队列
- 新增Fetcher类,用于控制抓去任务
v0.005
5.实现Job任务中爬取 + 结果解析的分离; 完成任务结束的标识设定
- 新增 ResultFilter 实现爬取网页的分析, 并将满足条件的链接塞入爬取队列
- 新增 JobCount 来记录任务的爬取完成数, 以此完成整个任务的结束标识设定
v0.006
6.添加日志埋点
v.0.007
7.新增动态配置信息支持
- 采用配置文件方式,支持配置信息的动态变更