# awesome-java-crawler

**Repository Path**: cuihui2012/awesome-java-crawler

## Basic Information

- **Project Name**: awesome-java-crawler
- **Description**: 本仓库收集整理爬虫相关资源，开发语言以Java为主
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-08-16
- **Last Updated**: 2021-08-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

[![996.icu](https://img.shields.io/badge/link-996.icu-red.svg)](https://996.icu)

# awesome-java-crawler
本仓库收集整理Java爬虫相关资源

### 非浏览器Java爬虫框架
* [VSCrawler](https://gitee.com/virjar/vscrawler) - 适合抓取封堵的爬虫框架，大佬出品！
* [WebMagic](https://github.com/code4craft/webmagic) - Java垂直爬虫框架
* [crawler4j](https://github.com/yasserg/crawler4j) - 多线程爬虫框架
* [SeimiCrawler](https://github.com/zhegexiaohuozi/SeimiCrawler)
* [ispider](https://github.com/xpleaf/ispider) - 分布式爬虫框架
* [Gecco](https://github.com/xtuhcy/gecco) - 轻量化的易用的网络爬虫

### 基于浏览器核心的爬虫工具
* [Chrome Devtools Protocol](https://github.com/ChromeDevTools/awesome-chrome-devtools) - Chrome开发协议相关资源；Chrome控制台工具、Selenium、Puppeteer均基于此协议开发；所有主流编程语言均有第三方支持
* [Selenium](https://www.seleniumhq.org/) - 应用最广泛的浏览器自动化测试框架，支持所有主流浏览器
* [Puppeteer(javascript)](https://github.com/GoogleChrome/puppeteer/) - 基于Chrome开发协议的高层浏览器自动化框架
* [CDP4J](https://github.com/webfolderio/cdp4j) - Java版本的Chrome开发协议支持库。注意本库为商业授权
* [Tampermonkey](https://tampermonkey.net/) - 著名的“油猴”浏览器脚本管理器，可用于浏览器自动化控制
* [PhantomJS(javascript)](http://phantomjs.org/) - 基于WebKet核心的无头浏览器。已经停止维护

### Java网络框架
* [java-curl](https://github.com/rockswang/java-curl) - CURL命令行工具的纯java实现，功能强大，灵活方便
* httpclient - 历史悠久的Apache HTTP开源库
* okhttp - 目前流行的HTTP开源库，可用于Android
* retrofit - 基于okhttp的高层HTTP库，提供基于注解的API

### 应答数据解析
* [jsoup](https://jsoup.org/) - 网络请求，HTML解析，CSS Selector/xPath查询
* Jackson, GSON, fastjson - JSON解析
* [dom4j](https://dom4j.github.io/) - XML解析

### 代理IP
* [66免费代理网](http://www.66ip.cn/)
* [西刺免费代理IP](http://www.xicidaili.com/)
* [无忧代理](http://www.data5u.com/)
* [芝麻软件](http://www.zhimaruanjian.com/)

### 验证码破解
* [冷月JS爆破](https://github.com/leng-yue/Lengyue-Vcode/) - 各种滑动验证码识别
* [Luosimao验证码破解](https://github.com/sml2h3/luosimao_cracker)
* [Tesseract OCR](https://github.com/tesseract-ocr/tesseract) - 开源OCR引擎，可用于自动识别较简单的图片验证码
* [若快](http://www.ruokuai.com/) - 人肉打码平台，服务较稳定，应答时间较快

### 抓包分析，请求拦截等工具
* [Fiddler](https://www.telerik.com/fiddler) - Windows平台上常用抓包工具，可以分析HTTPS，可C#编程自行扩展
* Charles - Mac上可用的抓包工具
* [LittleProxy-MITM](https://github.com/ganskef/LittleProxy-mitm) - 基于LittleProxy，可编程扩展的Java代理服务器，可基于中间人方式解析和修改HTTPS请求和应答
* [proxyee](https://github.com/monkeyWie/proxyee) - 国人作品，支持HTTPS
* [抓包工具大全](https://www.freebuf.com/sectool/184366.html) - 猫厂、鹅厂都有，看来大厂都喜欢造轮子

### 前端JavaScript分析调试工具
* [javascript-breakpoint-collection](https://github.com/mattzeunert/javascript-breakpoint-collection) - 一个Chrome插件，可用于设定高级断点；也可以直接在控制台执行其源码，之后即可在控制台设断点，可以监听任意对象属性读写、cookie读写等
* [几种常见的JavaScript混淆和反混淆工具分析实战](https://www.freebuf.com/articles/web/97945.html)
* [spy-debugger手机浏览器远程调试](https://github.com/wuchangming/spy-debugger) - 使用代理服务器注入外部JavaScript，实现远程调试。可以调试微信内置浏览器, 应用内嵌的WebView等，非常强大

### 其它工具
* CURL - 最常用的命令行请求模拟工具，Windows下可以通过Cygwin安装，也可以直接用java-curl
* [HTTPBIN.ORG](https://httpbin.org) - 在线工具网站，根据需求模拟各种HTTP应答，可用于验证代理的匿名性（透明/匿名/高匿）
  * ```curl -x <proxy>:<port> https://httpbin.org/get?show_env=1``` - 如果X-Forwarded-For和origin不一致，表明使用了非匿名代理
* [淘宝IP地址库](http://ip.taobao.com/)
  * ```http://ip.taobao.com/service/getIpInfo.php?ip=11.206.34.204``` - 查询给定IP的归属地
  * ```curl http://ip.taobao.com/service/getIpInfo2.php -x <proxy>:<port> -d "ip=myip"``` - 查询当前主机公网IP信息，这个命令可以验证代理IP是否可用，同时获取代理IP的归属地
* [IP138](http://ip138.com) - 查询IP归属地、手机号段等
* [在线UA库](https://developers.whatismybrowser.com/useragents/explore/software_name/) - 各种真实浏览器UserAgent列表
* WEB前端助手 - Chrome插件，提供大量实用工具，如JSON格式化，编解码等
* [在线加解密算法大全](http://tool.chacuo.net/cryptdes) - 含DES, AES, RSA等，可用于快速验证加解密算法
* [beautifier.io](https://beautifier.io/) - js代码在线格式化
* [estree](https://github.com/estree/estree) - ECMAScript抽象语法树(AST)业界标准
* [ECMAScript262语言规范](https://tc39.github.io/ecma262) - 帮助理解estree
* [acornjs](https://github.com/acornjs/acorn) - ECMAScript编译器前端，将js源码解析成estree格式的AST
* [astring](https://github.com/davidbonnet/astring) - ECMAScript代码生成器，将AST重新还原成js源码

### 爬虫实例项目
* [知乎爬虫](https://github.com/wycm/zhihu-crawler) - 使用http代理，多线程
* [电商爬虫](https://github.com/JFanZhao/spider) - httpclient+hbase+solr+redis+zookeeper
* [淘宝商品爬虫(python)](https://github.com/Williamsunsir/Spider/tree/master/taobao) - python + selenium

### 爬虫干货文章收集

#### 概念
* [HTTP简史](https://zhuanlan.zhihu.com/p/59345476) - 介绍HTTP协议的干货
* [网络爬虫干货总结](https://juejin.im/post/5bce8201518825773605597d) - 虽然是python栈的，但是对爬虫各个环节的概念总结的非常全面
* [Java 月薪25K的爬虫工程师对爬虫的流程做了一个非常全面的总结！](https://blog.csdn.net/Knight_VIP/article/details/81736918) - 膜拜ing...

#### 实操
* [微信公众号文章批量采集系统的构建](https://zhuanlan.zhihu.com/p/24302048)

#### 高级反爬攻防
* [注入eval, Function等系统函数，截获动态代码](https://segmentfault.com/a/1190000018742189) - 破解动态执行的加密js代码
* [某网站高度加密混淆的javascript的分析](https://segmentfault.com/a/1190000017541235)
* [从javaScript脚本混淆说起](https://www.freebuf.com/articles/system/140062.html)
* [JavaScript反调试技巧](https://www.freebuf.com/articles/system/163579.html) - 知己知彼，百战不殆
* [Chrome调试技巧](https://github.com/FantasticLBP/knowledge-kit/blob/master/%E7%AC%AC%E4%BA%8C%E9%83%A8%E5%88%86%20Web%20%E5%89%8D%E7%AB%AF/2.24.md)
* [那些年绕过的反爬手段](https://www.freebuf.com/articles/web/166125.html)
* [反反爬虫手段收集](https://github.com/luyishisi/Anti-Anti-Spider)
* [大前端时代安全性如何做](https://segmentfault.com/a/1190000017899193) - 提供一种反爬方案
* [文书网破解SDK](https://github.com/sml2h3/mmewmd_crack_for_wenshu)
* [2.5代指纹追踪技术—跨浏览器指纹识别](https://paper.seebug.org/350/)

#### Android App破解
* [思路分享 | 看我如何给微信下钩子](https://www.freebuf.com/articles/web/156944.html)

#### Chrome浏览器相关
* [Chrome命令行参数大全](https://peter.sh/experiments/chromium-command-line-switches/) - 定制化chrome，比如启动无头版浏览器
* [Getting Started with Headless Chrome](https://developers.google.com/web/updates/2017/04/headless-chrome) - 介绍如何使用无头版Chrome
* [CentOS6上安装Chrome](https://intoli.com/blog/installing-google-chrome-on-centos/) - 用于搭建无头浏览器爬虫生产环境
* [CentOS 7.x环境下搭建: Headless chrome + Selenium + ChromeDriver](https://blog.csdn.net/zhuyiquan/article/details/79537623)

### 其它资源
* [apkmirror](https://www.apkmirror.com/apk/google-inc/chrome/variant-%7B%22arches_slug%22%3A%5B%22x86%22%5D%7D/) - 安卓x86版Chrome下载，可用于安卓模拟器