https://github.com/gsh199449/spider

A configurable web spider with a easy-to-use web console
https://github.com/gsh199449/spider

cralwer gatherplatform spider text-mining web-console

Last synced: 21 days ago
JSON representation

A configurable web spider with a easy-to-use web console

• Host: GitHub
• URL: https://github.com/gsh199449/spider
• Owner: gsh199449
• License: gpl-3.0
• Created: 2016-11-24T01:48:03.000Z (over 8 years ago)
• Default Branch: master
• Last Pushed: 2018-08-21T05:26:31.000Z (almost 7 years ago)
• Last Synced: 2024-04-16T18:13:31.392Z (about 1 year ago)
• Topics: cralwer, gatherplatform, spider, text-mining, web-console
• Language: Java
• Homepage:
• Size: 14.4 MB
• Stars: 987
• Watchers: 122
• Forks: 484
• Open Issues: 4
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# 欢迎使用 Gather Platform 数据采集与分析平台

------

[Readme in English](https://github.com/gsh199449/spider/tree/master/doc/README-en.md)

欢迎加入 `Gather Platform交流` QQ群 : 206264662

**详细使用方法请参考 [在线文档](https://gsh199449.github.io/gather_platform_pages/)**

 

[![Build Status](https://travis-ci.org/gsh199449/spider.svg?branch=master)](https://travis-ci.org/gsh199449/spider)

Gather Platform 数据抓取平台是一套基于[Webmagic](https://github.com/code4craft/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

## 部署、使用方法、二次开发手册、常见问题等全部迁移至[在线文档](https://gsh199449.github.io/gather_platform_pages/)

## 联系我

邮箱: [email protected]