Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

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: about 1 month 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 (about 7 years ago)
Default Branch: master
Last Pushed: 2022-11-16T05:25:09.000Z (almost 2 years ago)
Last Synced: 2024-06-28T07:36:30.679Z (3 months ago)
Topics: elasticsearch, scraper, spider, webmagic
Language: Java
Homepage:
Size: 14.4 MB
Stars: 336
Watchers: 22
Forks: 150
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/)**

[![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.

show

## 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/)