XXL-CRAWLER v1.1.0,面向对象的分布式爬虫框架

XXL-CRAWLER v1.1.0 已发布,更新如下:

新特性:

  1. 页面默认cssQuery调整为html标签;

  2. 升级Jsoup至1.11.1版本;

  3. 修复PageVO注解失效的问题;

  4. 属性注解参数attributeKey调整为selectVal;

  5. 代理IP:对抗反采集策略规则WAF;

  6. 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;

《面向对象的分布式爬虫框架XXL-CRAWLER》

XXL-CRAWLER 是一个灵活高效、面向对象的分布式爬虫框架。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"等特性;

特性

  1. 面向对象:通过VO对象描述页面信息,提供注解方便的映射页面数据,爬取结果主动封装Java对象返回;

  2. 多线程;

  3. 扩散全站:将会以现有URL为起点扩散爬取整站;

  4. 去重:防止重复爬取;

  5. URL白名单:支持设置页面白名单正则,过滤URL;

  6. 异步:支持同步、异步两种方式运行;

  7. 自定义请求信息,如:请求参数、Cookie、userAgent等;

  8. 轻量级:底层实现仅依赖jsoup,简洁高效;

  9. 超时控制:支持设置爬虫请求的超时时间;

  10. 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;

  11. 单个页面支持抽取一个或多个PageVO;

  12. 代理IP:对抗反采集策略规则WAF;

  13. 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;

文档地址:中文文档
技术交流:社区交流

Read more: 

XXL-CRAWLER v1.1.0,面向对象的分布式爬虫框架