java-spider
Introduction: 一个基于 webmagic 框架二次开发的 java 爬虫框架实战,已实现能爬取腾讯,搜狐,今日头条(单独集成功能)等资讯内容,配合 elasticsearch 框架用法,实现了自动爬虫,已投入线上生产使用。
Tags:
基于 webmagic 框架二次开发的 java 爬虫框架实战,已实现能爬取腾讯,搜狐,今日头条(单独集成功能,教程学习地址)等资讯内容,配合 elasticsearch 框架用法,实现了自动爬虫,已投入生产试用中。
体验系统地址:http://182.92.82.188:8280/manage/login.jsp
体验账号/密码,test1001/a12345678
后台系统源码:https://github.com/hemin1003/aylson-parent
关于我
欢迎交流问题,可加我的个人 QQ 469580884,或群号 751925591,一起探讨交流问题
感谢
如果觉得内容赞,您可以请我喝一杯咖啡:
参考项目资料如下:
欢迎使用 Gather Platform 数据采集与分析平台
详细使用方法请参考 在线文档
Gather Platform 数据抓取平台是一套基于Webmagic内核的,具有 Web 任务配置和任务管理界面的数据采集与搜索平台.具有以下功能
- 根据配置的模板进行数据采集,支持Ajax 网页采集
- 在不配置采集模板的情况下自动检测网页正文,自动抽取文章发布时间
- 动态字段抽取与静态字段植入
- 已抓取数据的管理,包括:搜索,增删改查,按照新的数据模板重新抽取数据
- 对采集的数据进行 NLP 处理,包括:抽取关键词,抽取摘要,抽取实体词
- 含有相关文章推荐,文章中人物、地点之间的关联关系分析
5 分钟即可部署完毕,半分钟即可完成一个爬虫,开始数据采集.、
不需要进行任何编码就可以完成一个功能强大的爬虫.
Windows/Mac/Linux 全平台支持
本系统需要如下依赖:
- JDK 8 及以上
- Tomcat 8.3 及以上
可选依赖组件:
- Elasticsearch 5.0