Java爬虫框架，WebMagic 0.4.0 发布

jopen 10年前

webmagic采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线程抓取，分布式抓取，并支持自动重试、自定义UA/cookie等功能。

Java爬虫框架，WebMagic 0.4.0 发布

webmagic包含强大的页面抽取功能，开发者可以便捷的使用css selector、xpath和正则表达式进行链接和内容的提取，支持多个选择器链式调用。

此次更新主要对下载模块进行了优化，并增加了同步下载的API，同时对代码进行了一些重构。

一、Downloader部分更新：

  1. 升级HttpClient到4.3.1，重写了HttpClientDownloader的代码 #32。
  2. 在http请求中主动开启gzip，降低传输开销 #31。

  3. 修复0.3.2及之前版本连接池不生效的问题 #30，使用HttpClient 4.3.1新的连接池机制，实现连接复用功能。

经测试，下载速度可达到90%左右的提升。测试代码：Kr36NewsModel.java 。

二、增加同步抓取的API，对于小规模的抓取任务更方便：

 

1 OOSpider ooSpider = OOSpider.create(Site.me().setSleepTime(100), BaiduBaike.class);
2 BaiduBaike baike = ooSpider.get("http://baike.baidu.com/search/word?word=httpclient&pic=1&sug=1&enc=utf8");
3 System.out.println(baike);

三、Site(配置类)增加更多配置项：

  1. 支持Http代理: Site.setHttpProxy #22 。
  2. 支持自定义所有Http头：Site.addHeader #27 。
  3. 支持开启和关闭gzip：Site.setUseGzip(false) 。
  4. Site.addStartUrl移到了Spider.addUrl，因为作者认为startUrl应该是Spider的属性，而不是Site的属性。

 四、Spider(主逻辑)进行了一些重构：

  1. 重写了多线程逻辑，代码更加易懂了，同时修复了一些线程安全问题。
  2. 引入了Google Guava API，让代码更简洁。
  3. 增加配置Spider.setSpawnUrl(false)，此选项为false时，只下载给定的url，不下载任何新发现的url。
  4. 可以给初始url中附带更多信息：Spider.addRequest #29

另外webmagic邮件组成立了，欢迎加入：https://groups.google.com/forum/#!forum/webmagic-java