gecco爬虫初见与综述

最新推荐文章于 2024-11-11 14:10:21 发布

原创

最新推荐文章于 2024-11-11 14:10:21 发布 · 505 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#爬虫

本文介绍了Gecco这款由国内开发者创建的Java轻量化爬虫，它整合了多个优秀框架，如jsoup和htmlunit等，允许用户通过jQuery选择器轻松实现爬虫编写。Gecco具有良好的可扩展性，支持动态配置、分布式抓取、JavaScript处理等功能。作者计划使用Gecco爬取电商和博客数据，以深入理解爬虫的工作原理和设计思路。

2021SC@SDUSC

Gecco是一款用java语言开发的轻量化的易用的网络爬虫。作为国内大佬研发的java网络爬虫，Gecco整合了jsoup、httpclient、fastjson、spring、htmlunit、redission等优秀框架，我们使用者只需要配置一些jquery风格的选择器就能很快的写出一个爬虫。同时这个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。

以上是gecco爬虫官网的介绍，作为一个java爬虫，它

简单易用，使用jquery风格的选择器抽取元素
支持爬取规则的动态配置和加载
支持页面中的异步ajax请求
支持页面中的javascript变量抽取
利用Redis实现分布式抓取
支持结合Spring开发业务逻辑
支持htmlunit扩展
支持插件扩展机制
支持下载时UserAgent随机选取
支持下载代理服务器随机选取

其中的quick start提供了一个简易的网络爬虫

@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")

最低0.47元/天解锁文章