https://github.com/hemin1003/java-spider
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。
https://github.com/hemin1003/java-spider
elasticsearch scraper spider webmagic
Last synced: 27 days ago
JSON representation
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。
- Host: GitHub
- URL: https://github.com/hemin1003/java-spider
- Owner: hemin1003
- Created: 2017-09-15T08:08:13.000Z (over 7 years ago)
- Default Branch: master
- Last Pushed: 2022-11-16T05:25:09.000Z (over 2 years ago)
- Last Synced: 2025-03-30T03:08:00.491Z (about 1 month ago)
- Topics: elasticsearch, scraper, spider, webmagic
- Language: Java
- Homepage:
- Size: 14.4 MB
- Stars: 338
- Watchers: 22
- Forks: 151
- Open Issues: 11
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# JAVA爬虫框架实战
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](https://blog.csdn.net/hemin1003/article/details/104615208))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。
[后台管理统计系统源码](https://github.com/hemin1003/aylson-parent)
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](https://github.com/hemin1003/aylson-parent)
## [关于我](http://heminit.com/about/)
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
[我的博客地址](http://blog.csdn.net/hemin1003)
[个人域名](http://heminit.com)
## 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
------
[Readme in English](https://github.com/gsh199449/spider/tree/master/doc/README-en.md)
**详细使用方法请参考 [在线文档](https://gsh199449.github.io/gather_platform_pages/)**
[](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/)