| 注册
请输入搜索内容

热门搜索

Java Linux MySQL PHP JavaScript Hibernate jQuery Nginx
takemefly
5年前发布

金色数据抓取器

简介

金色数据采集器开源项目,是用于抓取网页和抽取数据的工具。其核心代码是从金色数据抓取与数据融合平台分离而来。

该项目提供抓取和抽取来自网页数据,不仅可以抽取网页内的内容,还能抽取URL、HTTP报头、Cookie里的数据。

该项目定义了一种简洁、灵活、敏捷的结构或者说是规则语法。极尽其所能将网页内容、HTTP报头、Cookie、甚至关联其它网页、其它网站数据,抽取出有意义有价值数据字段,组成一条数据记录。除此之外,还能内嵌http请求,以补充数据字段,比如某些字段需要向词典提供翻译这样的字段等等。

该项目还可支持从各种类型文档抽取数据,比如html/xml/json/javascript/text等。

金色数据平台

金色数据是集采集与融合功能的平台,可将数据与数据之间的关系抓取下来并能立即融合到关联关系应用数据库表当中,并且反复采集融合也不会有重复数据产生。

完全免费的金色数据社区版

金色数据平台社区版是一款抓取完全不受限(比如不限爬虫数量、抓取速度/时间、数据抓取数量、导出数据数量)的私有云软件,

我们提供了详细的金色数据平台免费文档和培训视频,请点击这里查看和使用。

使用入门

首先,我们需要将依赖加入项目当中即可(因为我们已经将该项目加入到maven中央仓库),如下:

1、对于maven项目

  <dependency>    <groupId>com.100shouhou.golddata</groupId>    <artifactId>golddata-spider</artifactId>    <version>1.1.3</version>  </dependency>

2、对于gradle项目

   compile group: 'com.100shouhou.golddata', name: 'golddata-spider', version: '1.1.3'

然后你将可以使用该依赖所提供的简洁清晰的API,如下:

  @Test  public void testGoldSpider(){      String ruleContent=              "    {                                                      \n"+              "      __node: li.sky.skyid                                 \n"+              "      date:                                                \n"+              "      {                                                    \n"+              "        expr: h1                                           \n"+              "        __label: 日期                                      \n"+              "      }                                                    \n"+              "      sn:                                                  \n"+              "      {                                                    \n"+              "                                                           \n"+              "        js: md5(baseUri+item.date+headers['Content-Type']);\n"+              "      }                                                    \n"+              "      weather:                                             \n"+              "      {                                                    \n"+              "        expr: p.wea                                        \n"+              "      }                                                    \n"+              "      temprature:                                          \n"+              "      {                                                    \n"+              "        expr: p.tem>i                                      \n"+              "      }                                                    \n"+              "    }                                                      \n";      GoldSpider spider= com.xst.golddata.GoldSpider.newSpider()              .setUrl("http://www.weather.com.cn/weather/101020100.shtml")              .setRule(ruleContent)              .request();      List list=spider.extractList();      // List<Weather> weathers=spider.extractList(Weather.class);      // Weather weathers=spider.extractFirst(Weather.class);     list.forEach( System.out::println);  }

运行上面的测试,你将可以看类似下面的输出:

  {date=19日(今天), weather=阴转小雨, temprature=10℃, sn=8bc265cb2bf23b6764b75144b255d81d}  {date=20日(明天), weather=小雨转多云, temprature=11℃, sn=9efd7e7bbbfb9bb06e04c0c990568bfd}  {date=21日(后天), weather=多云转中雨, temprature=11℃, sn=728539ac882721187741708860324afa}  {date=22日(周六), weather=小雨, temprature=9℃, sn=a23fa2233e750a3bdd11b2e200ed06c3}  {date=23日(周日), weather=小雨转多云, temprature=8℃, sn=b27e1b8a8e92a7bed384ceb3e4fdfb5f}  {date=24日(周一), weather=多云转小雨, temprature=8℃, sn=c142b7fd12330ca031dd96b307c0d50d}  {date=25日(周二), weather=小雨转中雨, temprature=6℃, sn=16f71d3c8f09394588532a3ed1a8bacf}

当作Service或者API使用

你可以在项目中,可以当作调用服务和API使用。例如如下:

  @Service  public class WeatherServiceImpl implements WeatherService{     public List<Weather> listByCityId(Long cityId){    String url="http://www.weather.com.cn/weather/"+cityId+".shtml"       String rule="<同上>"    GoldSpider spider= com.xst.golddata.GoldSpider.newSpider()        .setUrl(url)        .setRule(ruleContent)        .request();                        return spider.extractList(Weather.class);       }  }

另外,你可以免费使用可视化编辑器来编辑规则内容, 可视化编辑器来自金色数据平台,可以点击链接下载,可视化编辑器截屏如下:

可视化编辑器

文档和培训视频

规则内容以及文档请点击此处查看

你可以查看oschina的与金色数据相关博文, https://my.oschina.net/u/4095696?tab=newest