转载

Git 项目推荐 | Java 的轻量化网络爬虫

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 !

参考手册

主要特征

利用Redis实现分布式抓取,参考 gecco-redis
支持结合Spring开发业务逻辑,参考 gecco-spring
支持htmlunit扩展,参考 gecco-htmlunit

框架概述

Git 项目推荐 | Java 的轻量化网络爬虫

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

<dependency>     <groupId>com.geccocrawler</groupId>     <artifactId>gecco</artifactId>     <version>x.x.x</version> </dependency>

Git 项目推荐 | Java 的轻量化网络爬虫

依赖项目

httpclient，jsoup，fastjson，reflections，cglib，rhino，log4j，jmxutils，commons-lang3

快速开始

@Gecco(matchUrl="https://github.com/{user}/{project}", pipelines="consolePipeline") public class MyGithub implements HtmlBean {      private static final long serialVersionUID = -7127412585200687225L;     //url中的{user}值     @RequestParameter("user")     private String user;     //url中的{project}值     @RequestParameter("project")     private String project;     //抽取页面中的title     @Text     @HtmlField(cssPath=".repository-meta-content")     private String title;     //抽取页面中的star     @Text     @HtmlField(cssPath=".pagehead-actions li:nth-child(2) .social-count")     private int star;     //抽取页面中的fork     @Text     @HtmlField(cssPath=".pagehead-actions li:nth-child(3) .social-count")     private int fork;     //抽取页面中的readme     @Html     @HtmlField(cssPath=".entry-content")     private String 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)         //开始运行         .run();     } }