pholcus

Pholcus（幽灵蛛）是一款纯Go语言编写的高并发、分布式、重量级爬虫软件，支持单机、服务端、客户端三种运行模式，拥有Web、GUI、命令行三种操作界面；规则简单灵活、批量任务并发、输出方式丰富（mysql/mongodb/csv/excel等）、有大量Demo共享；同时她还支持横纵向两种抓取模式，支持模拟登录和任务暂停、取消等一系列高级功能。

稳定版： Version 0.7.4 (Nov 10, 2015)
官方QQ群：Go大数据 42731170

爬虫原理

框架特点

Pholcus（幽灵蛛）以高效率，高灵活性和人性化设计为开发的指导**；
支持单机、服务端、客户端三种运行模式，即支持分布式布局，适用于各种业务需要；
支持Web、GUI、命令行三种操作界面，适用于各种运行环境；
支持mysql/mongodb/csv/excel等多种输出方式，且可以轻松添加更多输出方式；
采用surfer高并发下载器，支持 GET/POST/HEAD 方法及 http/https 协议，同时支持固定UserAgent自动保存cookie与随机大量UserAgent禁用cookie两种模式，高度模拟浏览器行为，可实现模拟登录等功能；
服务器/客户端模式采用teleport高并发socketAPI框架，全双工长连接通信，内部数据传输格式为JSON；
对采集规则进行了精心设计，规则灵活简单、高度封装，用于通用方法集与大量Demo，让你轻松添加规则；
支持横纵向两种抓取模式，并且支持任务暂停、取消等操作。

下载安装

下载第三方依赖包源码，放至 GOPATH/src 目录下 [点击下载 ZIP]
下载保持更新状态的源码，命令行如下

go get github.com/henrylee2cn/pholcus

备注：Pholcus公开维护的spider规则库地址 https://github.com/pholcus/spider_lib

创建项目

package main

import (
    "github.com/henrylee2cn/pholcus/config"
    "github.com/henrylee2cn/pholcus/exec"
    "github.com/henrylee2cn/pholcus/logs"

    _ "github.com/pholcus/spider_lib" // 此为公开维护的spider规则库
    // _ "github.com/pholcus/spider_lib_pte" // 同样你也可以自由添加自己的规则库
)

func main() {
    // 允许日志打印行号
    logs.ShowLineNum()

    // 初始化配置，不调用则为默认值
    SetConf()

    // 开始运行，参数："web"/"gui"/"cmd"，默认为web版
    // 其中gui版仅支持Windows系统
    exec.Run("web")
}

// 自定义相关配置，将覆盖默认值
func SetConf() {
    //mongodb服务器地址
    config.MGO_OUTPUT.HOST = "127.0.0.1:27017"
    // mongodb数据库
    config.MGO_OUTPUT.DB = "pholcus"
    // mongodb输出时的内容分类
    // key:蜘蛛规则清单
    // value:数据库名
    config.MGO_OUTPUT.DB_CLASS = map[string]string{
        "百度RSS新闻": "1_1",
    }
    // mongodb输出时非默认数据库时以当前时间为集合名
    // h: 精确到小时 (格式 2015-08-28-09)
    // d: 精确到天 (格式 2015-08-28)
    config.MGO_OUTPUT.COLLECTION_FMT = "d"
    //mysql连接池容量
    config.MGO_OUTPUT.MAX_CONNS = 1024

    //mysql服务器地址
    config.MYSQL_OUTPUT.HOST = "127.0.0.1:3306"
    //msyql数据库
    config.MYSQL_OUTPUT.DB = "pholcus"
    //mysql用户
    config.MYSQL_OUTPUT.USER = "root"
    //mysql密码
    config.MYSQL_OUTPUT.PASSWORD = ""
    //mysql连接池容量
    config.MYSQL_OUTPUT.MAX_CONNS = 1024

    // Surfer-Phantom下载器配置
    config.SURFER_PHANTOM.FULL_APP_NAME = "phantomjs" //phantomjs软件相对路径与名称
}

Web版编译运行

go install (可选参数： -ip 0.0.0.0 -port 9090)

或者

go build (可选参数： -ip 0.0.0.0 -port 9090)

(注意：将 src/github.com/henrylee2cn/pholcus/web 文件夹拷贝至当前项目目录下，其中的go文件可删除)

GUI版编译运行

go install -ldflags="-H windowsgui"

或者

go build -ldflags="-H windowsgui"

(下图为GUI选择模式界面图例)

Cmd版编译运行

编译命令: go install pholcus-cmd.go  或者  go build pholcus-cmd.go
查看命令参数: pholcus-cmd.exe -h
执行爬虫命令: pholcus-cmd.exe -spider=1,3 -output=csv -go=500 -docker=5000 -pase=1000,3000 -kw=pholcus,golang -page=100

(注：花括号“{}”中为选择参数或参数格式，多个参数值之间用逗号“,”间隔，各项参数根据采集规则的需要自行设置)

第三方依赖包

go get github.com/pholcus/spider_lib
go get github.com/henrylee2cn/surfer
go get github.com/henrylee2cn/teleport
go get github.com/henrylee2cn/beelogs
go get github.com/henrylee2cn/mahonia
go get github.com/henrylee2cn/websocket.google
go get github.com/PuerkitoBio/goquery
go get github.com/andybalholm/cascadia
go get github.com/lxn/walk
go get github.com/lxn/win
go get github.com/tealeg/xlsx
go get github.com/go-sql-driver/mysql
go get gopkg.in/mgo.v2
<以下需翻墙下载>
go get golang.org/x/net/html
go get golang.org/x/text/encoding
go get golang.org/x/text/transform

（在此感谢以上开源项目的支持！）

开源协议

Pholcus（幽灵蛛）项目采用商业应用友好的Apache License v2.发布

livebs/pholcus