# CowSwing

**Repository Path**: project-3/CowSwing

## Basic Information

- **Project Name**: CowSwing
- **Description**: 丑牛迷你采集器是一款基于Java Swing开发的专业的网络数据采集/信息挖掘处理软件，通过灵活的配置，可以很轻松迅速地从 网页上抓取结构化的文本、图片、文件等资源信息，可编辑筛选处理后选择发布到网站
- **Primary Language**: Java
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 166
- **Created**: 2020-08-18
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# CowSwing

#### 介绍
丑牛迷你采集器是一款基于Java Swing开发的专业的网络数据采集/信息挖掘处理软件，通过灵活的配置，可以很轻松迅速地从 网页上抓取结构化的文本、图片、文件等资源信息，可编辑筛选处理后选择发布到网站

#### 软件架构
JAVACOO-CRAWLER采用的是模块化设计,各个模块由一个控制器类（CrawlController类）来协调工作，控制器就是爬虫的核心。
CrawlController类是整个爬虫的总控制者，控制整个采集工作的的起点，决定采集任务的开始，暂停，继续，结束。
CrawlController类主要包括以下模块：分别是爬虫的配置参数，字符集帮助类， HttpCilent对象，HTML解析器包装类，爬虫边界控制器，爬虫线程控制器，处理器链，过滤器工厂,整体架构图如下：<br/>

![输入图片说明](https://images.gitee.com/uploads/images/2020/0528/080750_9387d861_121703.png "屏幕截图.png")
1. 爬虫配置参数（CrawlScope）: 存储当前爬虫的配置信息，如采集页面编码，采集过滤器列表，采集种子列表，爬虫持久对象实现类等，CrawlController根据配置参数来初始化其他模块。
2. 字符集帮助类（CharsetHandler）：根据当前爬虫配置参数中字符集配置来初始化，备整个采集过程使用。
3. HttpCilent对象（HttpClient）：根据当前爬虫配置参数初始化HttpClient对象,如：设置代理，设置连接/请求超时，最大连接数等。
4. HTML解析器包装类（HtmlParserWrapper）：对HtmlParser解析器进行特殊化封装，以便满足采集任务的需要。
5. 爬虫边界控制器（Frontier）：主要是加载爬行种子链接并根据加载的种子链接初始化任务队列，以备线程控制器（ProcessorManager）开启的任务执行线程（ProcessorThread）使用。
6. 爬虫线程控制器（ProcessorManager）：主要是控制任务执行线程数量，开启指定数目的任务执行线程执行任务。
7. 过滤器工厂（FilterFactory）：注册当前爬虫配置参数中过滤器集合，供采集任务查询使用。
8. 主机缓存（HostCache）：缓存HttpHost对象。
9. 处理器链（ProcessorChainList）：默认构建了5中处理链，依次是，预取链，提取链，抽取链，写链，提交链，在任务处理线程中将使用。
- 预取链：主要是做一些准备工作，例如，对处理进行延迟和重新处理，否决随后的操作。
- 提取链：主要是下载网页，进行 DNS 转换，填写请求和响应表单。
- 抽取链 ： 当提取完成时 ， 抽取感兴趣的 HTML 和 JavaScript 等 。
- 写链：存储抓取结果，可以在这一步直接做全文索引。
- 提交链：做和此 URL 相关操作的最后处理。


#### 使用说明

1.  系统登录界面<br/>

![输入图片说明](https://images.gitee.com/uploads/images/2020/0527/232452_901088a9_121703.png "屏幕截图.png")<br/>

2.  系统启动界面<br/>
![输入图片说明](https://images.gitee.com/uploads/images/2020/0527/232516_0f4af2d4_121703.png "屏幕截图.png")<br/>

3.  系统主界面<br/>
(1)我的丑牛：系统信息，插件信息,内存监控，以及任务监控<br/>
![我的丑牛](https://images.gitee.com/uploads/images/2020/0529/080235_539af82b_121703.png "屏幕截图.png")<br/>
(2)采集配置：采集相关的基础配置，包括远程数据库配置，FTP配置，自定义数据配置<br/>
![采集配置](https://images.gitee.com/uploads/images/2020/0529/080443_e61a2893_121703.png "屏幕截图.png")<br/>

(3)数据采集：对采集过程统一管理，包括采集公共参数设置，采集规则列表，采集历史列表，采集内容列表<br/>
![数据采集](https://images.gitee.com/uploads/images/2020/0529/080529_2c556247_121703.png "屏幕截图.png")<br/>

(4)任务监控：包括采集任务监控，入库任务监控，图片处理任务监控，上传任务监控<br/>
![任务监控](https://images.gitee.com/uploads/images/2020/0529/080601_b2ddf63e_121703.png "屏幕截图.png")<br/>

(5)定时任务：定时执行采集任务<br/>
![定时任务](https://images.gitee.com/uploads/images/2020/0529/080635_3810491a_121703.png "屏幕截图.png")<br/>
(6)实用工具：包括图片处理<br/>
![实用工具](https://images.gitee.com/uploads/images/2020/0529/080754_98bb9493_121703.png "屏幕截图.png")<br/>

#### 安装包
链接：https://pan.baidu.com/s/1OMWnlNIVQYljn9cAC2pHYw 
提取码：l50r 

#### 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


#### 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/)