# easycrawl **Repository Path**: Jacky2Android/easycrawl ## Basic Information - **Project Name**: easycrawl - **Description**: 基于webmagic的通用爬虫抓取应用，核心在于简单易用，搭建好后轻松抓取数据 - **Primary Language**: Java - **License**: Apache-2.0 - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 62 - **Created**: 2021-03-06 - **Last Updated**: 2021-03-06 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # esay #### 介绍 基于webmagic的通用爬虫抓取应用，核心在于简单易用，搭建好后轻松抓取数据 #### 在线演示地址 在线演示地址: http://easycrawl.lomoye.top/ (在线演示地址第一次打开有点慢，请耐心等待) #### 教程文档 教程文档地址: http://blog.lomoye.top/index.php/archives/15/ #### 前端代码 https://gitee.com/mountFuji/easy-crawl-front #### 近期想要做的大方向 - 爬取需要登录的页面 - 需要支持会话过期自动重新登录 - 接口型数据爬取（这种前后端分离的不用爬页面，直接根据接口规则来获取数据） - 爬取的字段增加属性分类，比如图片（链接）、文字、视频（链接） - 有了分类以后，比如图片，在页面上就可以根据这个属性直接显示出来图片 - 图片、视频可提供下载任务 - 定时爬取 - js动态渲染的数据爬取 - 防封号策略丰富、比如加入user-Agent池 #### 软件架构 软件架构说明 - 基于springboot实现 - 爬虫框架使用的是webmagic - 数据库默认的是h2，配置文件在application.yml，如果想切换成mysql，请参考分支useMysql里的application.yml配置 #### 安装教程 1. EasyApplication 启动入口 2. 浏览器打开localhost:8080 3. 详细使用方式请看文档 http://blog.lomoye.top/index.php/archives/15/ #### 使用说明 - 基本流程 1. EasyApplication 启动入口 2. 打开 localhost:8080 3. 新建爬虫(默认会导入两个爬虫示例) 4. 运行 5. 查看任务 #### 联系方式 - 微信： yezhangjun001 - QQ: 834033206 #### FAQ - 如何查看数据库数据：默认是使用嵌入式的h2数据库，可以用浏览器打开http://localhost:8080/h2-console登录, 默认用户名root，默认密码test - 如何替换数据源: 默认是使用嵌入式的h2数据库，如果想替换成mysql，请在application.yml中更改数据源配置 #### 页面预览 ![avatar](http://xdd-1258215774.cos.ap-shanghai.myqcloud.com/32b4fc5709144a49ba7c40ce4111dbb8.jpg) ![avatar](http://xdd-1258215774.cos.ap-shanghai.myqcloud.com/5b7a40d7f8854d8ea9cde55283d8ef26.jpg) ![avatar](http://xdd-1258215774.cos.ap-shanghai.myqcloud.com/0501423989664b2a84c4db7383478216.jpg) ![avatar](http://xdd-1258215774.cos.ap-shanghai.myqcloud.com/02d4c1a57e1a4cbb88b605ddddbdc422.jpg) ![avatar](http://xdd-1258215774.cos.ap-shanghai.myqcloud.com/df8c39379fab487ea7f75cbcb6542c6d.jpg) #### 参与贡献 1. Fork 本仓库 2. 新建 Feat_xxx 分支 3. 提交代码 4. 新建 Pull Request #### 最近待修复问题 #### 最近完成功能 1.创建修改爬虫时增加爬虫字段的测试爬取功能 #### 待优化 1.字段长度有些可能偏长，现在默认最多存储255个字节，应该提供用户选择字段长度 2.可以定义字段的类型，比如图片链接，这样在显示的时候可以直接根据图片属性显示出图片 #### 待修复的bug #### 已修复的bug 1.解决豆瓣爬取报403的问题，403不是因为豆瓣防爬，而是因为0.7.3版本的webmagic的SSL协议只支持TLSv1.0，自己重写了逻辑，可以支持TLSv1.2 #### 码云特技 1. 使用 Readme\_XXX.md 来支持不同的语言，例如 Readme\_en.md, Readme\_zh.md 2. 码云官方博客 [blog.gitee.com](https://blog.gitee.com) 3. 你可以 [https://gitee.com/explore](https://gitee.com/explore) 这个地址来了解码云上的优秀开源项目 4. [GVP](https://gitee.com/gvp) 全称是码云最有价值开源项目，是码云综合评定出的优秀开源项目 5. 码云官方提供的使用手册 [https://gitee.com/help](https://gitee.com/help) 6. 码云封面人物是一档用来展示码云会员风采的栏目 [https://gitee.com/gitee-stars/](https://gitee.com/gitee-stars/)