文件列表:

.travis.yml (34, 2017-05-03)
LICENSE (1074, 2017-05-03)
doc (0, 2017-05-03)
doc\UnirestDownloader.java (2682, 2017-05-03)
doc\架构图.jpg (139477, 2017-05-03)
pom.xml (6226, 2017-05-03)
src (0, 2017-05-03)
src\main (0, 2017-05-03)
src\main\java (0, 2017-05-03)
src\main\java\com (0, 2017-05-03)
src\main\java\com\geccocrawler (0, 2017-05-03)
src\main\java\com\geccocrawler\gecco (0, 2017-05-03)
src\main\java\com\geccocrawler\gecco\GeccoEngine.java (9737, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation (0, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Ajax.java (661, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Attr.java (542, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Bean.java (348, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Downloader.java (434, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\FieldRenderName.java (397, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Gecco.java (902, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\GeccoClass.java (373, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Href.java (750, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Html.java (711, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\HtmlField.java (520, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Image.java (774, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\JSONPath.java (483, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\JSVar.java (693, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\MBean.java (366, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\PipelineName.java (373, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Request.java (350, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\RequestParameter.java (389, 2017-05-03)
src\main\java\com\geccocrawler\gecco\annotation\Text.java (515, 2017-05-03)
src\main\java\com\geccocrawler\gecco\downloader (0, 2017-05-03)
src\main\java\com\geccocrawler\gecco\downloader\AbstractDownloader.java (2149, 2017-05-03)
src\main\java\com\geccocrawler\gecco\downloader\AfterDownload.java (253, 2017-05-03)
src\main\java\com\geccocrawler\gecco\downloader\BeforeDownload.java (178, 2017-05-03)
... ...

  ##Gecco是什么 Gecco是一款用java语言开发的轻量化的易用的网络爬虫。Gecco整合了jsoup、httpclient、fastjson、spring、htmlunit、redission等优秀框架,让您只需要配置一些jquery风格的选择器就能很快的写出一个爬虫。Gecco框架有优秀的可扩展性,框架基于开闭原则进行设计,对修改关闭、对扩展开放。同时Gecco基于十分开放的MIT开源协议,无论你是使用者还是希望共同完善Gecco的开发者,欢迎pull request。如果你喜欢这款爬虫框架请[star 或者 fork](https://github.com/xtuhcy/gecco)! [参考手册](http://www.geccocrawler.com/) ##主要特征 * [x] 简单易用,使用jquery风格的选择器抽取元素 * [x] 支持爬取规则的动态配置和加载 * [x] 支持页面中的异步ajax请求 * [x] 支持页面中的javascript变量抽取 * [x] 利用Redis实现分布式抓取,参考[gecco-redis](https://github.com/xtuhcy/gecco-redis) * [x] 支持结合Spring开发业务逻辑,参考[gecco-spring](https://github.com/xtuhcy/gecco-spring) * [x] 支持htmlunit扩展,参考[gecco-htmlunit](https://github.com/xtuhcy/gecco-htmlunit) * [x] 支持插件扩展机制 * [x] 支持下载时UserAgent随机选取 * [x] 支持下载***服务器随机选取 ##框架概述  ###GeccoEngine >GeccoEngine是爬虫引擎,每个爬虫引擎最好是一个独立进程,在分布式爬虫场景下,建议每台爬虫服务器(物理机或者虚机)运行一个GeccoEngine。爬虫引擎包括Scheduler、Downloader、Spider、SpiderBeanFactory、PipelineFactory5个主要模块。 ###Scheduler >通常爬虫需要一个有效管理下载地址的角色,Scheduler负责下载地址的管理。gecco对初始地址的管理使用StartScheduler,StartScheduler内部采用一个阻塞的FIFO的队列。初始地址通常会派生出很多其他待抓取的地址,派生出来的其他地址采用SpiderScheduler进行管理,SpiderScheduler内部采用线程安全的非阻塞FIFO队列。这种设计使的gecco对初始地址采用了深度遍历的策略,即一个线程抓取完一个初始地址后才会去抓取另外一个初始地址;对初始地址派生出来的地址,采用广度优先策略。 ###Downloader >Downloader负责从Scheduler中获取需要下载的请求,gecco默认采用httpclient4.x作为下载引擎。通过实现Downloader接口可以自定义自己的下载引擎。你也可以对每个请求定义BeforeDownload和AfterDownload,实现不同的请求下载的个性需求。 ###SpiderBeanFactory >Gecco将下载下来的内容渲染为SpiderBean,所有爬虫渲染的JavaBean都统一继承SpiderBean,SpiderBean又分为HtmlBean和JsonBean分别对应html页面的渲染和json数据的渲染。SpiderBeanFactroy会根据请求的url地址,匹配相应的SpiderBean,同时生成该SpiderBean的上下文SpiderBeanContext。上下文SpiderBeanContext会告知这个SpiderBean采用什么渲染器,采用那个下载器,渲染完成后采用哪些pipeline处理等相关上下文信息。 ###PipelineFactory >pipeline是SpiderBean渲染完成的后续业务处理单元,PipelineFactory是pipeline的工厂类,负责pipeline实例化。通过扩展PipelineFactory就可以实现和Spring等业务处理框架的整合。 ###Spider >Gecco框架最核心的类应该是Spider线程,一个爬虫引擎可以同时运行多个Spider线程。Spider描绘了这个框架运行的基本骨架,先从Scheduler获取请求,再通过SpiderBeanFactory匹配SpiderBeanClass,再通过SpiderBeanClass找到SpiderBean的上下文,下载网页并对SpiderBean做渲染,将渲染后的SpiderBean交个pipeline处理。 ##下载 ###通过Maven下载 ```xml com.geccocrawler gecco x.x.x ```  ###依赖项目 httpclient,jsoup,fastjson,reflections,cglib,rhino,log4j,jmxutils,commons-lang3 ##快速开始 ```java @Gecco(matchUrl="https://github.com/{user}/{project}", pipelines="consolePipeline") public class MyGithub implements HtmlBean { private static final long serialVersionUID = -7127412585200687225L; @RequestParameter("user") private String user;//url中的{user}值 @RequestParameter("project") private String project;//url中的{project}值 @Text @HtmlField(cssPath=".repository-meta-content") private String title;//抽取页面中的title @Text @HtmlField(cssPath=".pagehead-actions li:nth-child(2) .social-count") private int star;//抽取页面中的star @Text @HtmlField(cssPath=".pagehead-actions li:nth-child(3) .social-count") private int fork;//抽取页面中的fork @Html @HtmlField(cssPath=".entry-content") private String readme;//抽取页面中的readme public String getReadme() { return readme; } public void setReadme(String readme) { this.readme = readme; } public String getUser() { return user; } public void setUser(String user) { this.user = user; } public String getProject() { return project; } public void setProject(String project) { this.project = project; } public String getTitle() { return title; } public void setTitle(String title) { this.title = title; } public int getStar() { return star; } public void setStar(int star) { this.star = star; } public int getFork() { return fork; } public void setFork(int fork) { this.fork = fork; } public static void main(String[] args) { GeccoEngine.create() //工程的包路径 .classpath("com.geccocrawler.gecco.demo") //开始抓取的页面地址 .start("https://github.com/xtuhcy/gecco") //开启几个爬虫线程 .thread(1) //单个爬虫每次抓取完一个请求后的间隔时间 .interval(2000) //循环抓取 .loop(true) //使用pc端userAgent .mobile(false) //非阻塞方式运行 .start(); } } ``` ##DynamicGecco DynamicGecco的目的是在不定义SpiderBean的情况下实现爬取规则的运行时配置。其实现原理是采用字节码编程,动态生成SpiderBean,而且通过自定义的GeccoClassLoader实现了抓取规则的热部署。下面是一个简单Demo,更复杂的Demo可以参考com.geccocrawler.gecco.demo.dynamic下的例子。 下面的代码实现了爬取规则的运行时配置: DynamicGecco.html() .gecco("https://github.com/{user}/{project}", "consolePipeline") .requestField("request").request().build() .stringField("user").requestParameter("user").build() .stringField("project").requestParameter().build() .stringField("title").csspath(".repository-meta-content").text(false).build() .intField("star").csspath(".pagehead-actions li:nth-child(2) .social-count").text(false).build() .intField("fork").csspath(".pagehead-actions li:nth-child(3) .social-count").text().build() .stringField("contributors").csspath("ul.numbers-summary > li:nth-child(4) > a").href().build() .register(); //开始抓取 GeccoEngine.create() .classpath("com.geccocrawler.gecco.demo") .start("https://github.com/xtuhcy/gecco") .run(); 可以看到,DynamicGecco的方式相比传统的注解方式代码量大大减少,而且很酷的一点是DynamicGecco支持运行时定义和修改规则。 ##完整演示 [教您使用java爬虫gecco抓取JD全部商品信息(一)](http://my.oschina.net/u/2336761/blog/620158) [教您使用java爬虫gecco抓取JD全部商品信息(二)](http://my.oschina.net/u/2336761/blog/620827) [教您使用java爬虫gecco抓取JD全部商品信息(三)](http://my.oschina.net/u/2336761/blog/624683) [集成Htmlunit下载页面](http://my.oschina.net/u/2336761/blog/631959) [爬虫的监控](http://my.oschina.net/u/2336761/blog/***4330) [一个完整的例子,分页处理,结合spring,mysql入库](http://git.oschina.net/xiaomaoguai/gecco-demo) [典型案例—闲逛APP](http://www.geccocrawler.com/xg/) ##交流联系 - 博客:http://my.oschina.net/u/2336761/blog - 邮箱:xtuhcy@163.com - QQ群:53194***44 ##开源协议 请遵守开源协议[MIT](https://raw.githubusercontent.com/xtuhcy/gecco/master/LICENSE)

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：