数据抓取平台是一套基于Webmagic内核的,具有Web任务配置和任务管理界面的数据采集与搜索平台.具有以下功能
- 根据配置的模板进行数据采集，支持Ajax网页采集
- 在不配置采集模板的情况下自动检测网页正文,自动抽取文章发布时间
- 动态字段抽取与静态字段植入
- 已抓取数据的管理,包括:搜索,增删改查,按照新的数据模板重新抽取数据
- 对采集的数据进行NLP处理,包括:抽取关键词,抽取摘要,抽取实体词
- 含有相关文章推荐，文章中人物、地点之间的关联关系分析
5分钟即可部署完毕,输入网站爬虫模板，半分钟即可完成一个爬虫,开始数据采集. 不需要进行任何编码就可以完成一个功能强大的爬虫.
本系统需要如下依赖:
- JDK 8 及以上
- Tomcat 8.3 及以上
可选依赖组件:
- redis 2.6
- Elasticsearch 5.0