XXL-CRAWLER v1.2.2 发布，分布式爬虫框架

v1.2.2 新特性

• 1、系统底层重构，规范包名；
• 2、采集线程白名单过滤优化，避免冗余失败重试；
• 3、增强 JS 渲染方式采集能力，原生新提供 "SeleniumPhantomjsPageLoader"，支持以 "selenisum + phantomjs" 方式采集页面数据；
• 4、支持采集非 Web 页面，如 JSON 接口等，直接输出响应数据；选择 "NonPageParser" 即可；

简介

XXL-CRAWLER 是一个分布式爬虫框架。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、分布式、JS 渲染"等特性；

特性

• 1、简洁：API 直观简洁，可快速上手；
• 2、轻量级：底层实现仅强依赖 jsoup，简洁高效；
• 3、模块化：模块化的结构设计，可轻松扩展
• 4、面向对象：支持通过注解，方便的映射页面数据到 PageVO 对象，底层自动完成 PageVO 对象的数据抽取和封装返回；单个页面支持抽取一个或多个 PageVO
• 5、多线程：线程池方式运行，提高采集效率；
• 6、分布式支持：通过扩展 "RunData" 模块，并结合 Redis 或 DB 共享运行数据可实现分布式。默认提供 LocalRunData 单机版爬虫。
• 7、JS 渲染：通过扩展 "PageLoader" 模块，支持采集 JS 动态渲染数据。原生提供 Jsoup(非 JS 渲染，速度更快)、HtmlUnit(JS 渲染)、Selenium+Phantomjs(JS 渲染，兼容性高) 等多种实现，支持自由扩展其他实现。
• 8、失败重试：请求失败后重试，并支持设置重试次数；
• 9、代理 IP：对抗反采集策略规则 WAF ；
• 10、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；
• 11、异步：支持同步、异步两种方式运行；
• 12、扩散全站：支持以现有 URL 为起点扩散爬取整站；
• 13、去重：防止重复爬取；
• 14、URL 白名单：支持设置页面白名单正则，过滤 URL ；
• 15、自定义请求信息，如：请求参数、Cookie、Header、UserAgent 轮询、Referrer 等；
• 16、动态参数：支持运行时动态调整请求参数；
• 17、超时控制：支持设置爬虫请求的超时时间；
• 18、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；

文档地址

• 中文文档

技术交流

• 社区交流