代码拉取完成,页面将自动刷新
速云优网站的垂直爬取网页程序,提供UI来管理爬取的网站和爬取文章内容的规则。
通过jsoup来获取标题和内容,主要是通过选择器获取。
链接的提取通过正则表达式来匹配,[如:http://www.runoob.com/java/[\w|\d|-]+.html] 代表匹配java/后面的任意字符的html结尾的地址。
标题选择器:#content>h1,代表获取内容里ID为content,并找到下面的h1标签的内容为标题
内容选择器:#content,代表获取内容里ID为content的内容为内容
爬取的内容会保存到数据库中[具体表为page_info]。
如果需要更多的提取页面内容规则可以在[com.suyunyou.spider.plugins.page]包下写自己的插件,在SpiderUtil.addSiteFetcherPage(...)方法中添加使用。
如果需要更多的提取内容的链接的规则可以在[com.suyunyou.spider.plugins.link]包下写自己的插件。
提取微信公众号信息,通过LinkWeixinPlugin插件提炼链接
初始程序,先执行创建数据库名称spider、用户名root密码root,表结构会在程序启动时自动创建。 数据库链接在[application.properties]文件中修改。 启动redis,修改resources下的application.properties文件中的redis配置的信息。 然后执行测试爬虫的初始数据的脚本[doc/init.sql]。
登录地址:http://127.0.0.1:6080/
账户:admin
密码:123456
爬取网站的维护页面
网站爬取页面规则管理的页面
爬取到的链接管理的页面
爬取的内容管理的页面
开发链接管理功能,要可以批量删除链接等
将文章和域名关联起来
开发提取网站的内容列表预览
开发网页管理,添加提取的网站
定义提取内容的链接的规则
定义提取内容的格式
根据提供的链接分析改链接下面的字连接,同时下载对应的页面到内存中。
分布式需要处理的地方
重置爬虫
爬取网页的地址的分配
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。
1. 开源生态
2. 协作、人、软件
3. 评估模型