cetty基于事件分發(fā)的爬蟲框架

一個輕量級的基于事件分發(fā)的爬蟲框架。

功能介紹

• 基于完全自定義事件處理機制的爬蟲框架。
• 模塊化的設(shè)計，提供強大的可擴展性。
• 基于HttpClient支持同步和異步數(shù)據(jù)抓取。
• 支持多線程。
• 基于Jsoup頁面解析框架提供強大的網(wǎng)頁解析處理能力。

maven

<dependency>
  <groupId>com.jibug.cetty</groupId>
  <artifactId>cetty-core</artifactId>
  <version>0.1.5</version>
</dependency>

快速入門

/**
 * 抓取天涯論壇文章列表標題
 * http://bbs.tianya.cn/list-333-1.shtml
 *
 * @author heyingcai
 */
public class Tianya extends ProcessHandlerAdapter {

    @Override
    public void process(HandlerContext ctx, Page page) {
        //獲取 Document
        Document document = page.getDocument();
        //dom解析
        Elements itemElements = document.
                select("div#bbsdoc>div#bd>div#main>div.mt5>table>tbody").
                get(2).
                select("tr");
        List<String> titles = Lists.newArrayList();
        for (Element item : itemElements) {
            String title = item.select("td.td-title").text();
            titles.add(title);
        }

        //獲取Result對象，將我們解析出來的結(jié)果向下一個handler傳遞
        Result result = page.getResult();
        result.addResults(titles);
        
        //通過fireXXX 方法將本handler 處理的結(jié)果向下傳遞
        //本教程直接將結(jié)果傳遞給ConsoleHandler，將結(jié)果直接輸出控制臺
        ctx.fireReduce(page);
    }

    public static void main(String[] args) {
        //啟動引導(dǎo)類
        Bootstrap.
                me().
                //使用同步抓取
                isAsync(false).
                //開啟一個線程
                setThreadNum(1).
                //抓取入口url
                startUrl("http://bbs.tianya.cn/list-333-1.shtml").       
                //通用請求信息
                setPayload(Payload.custom()).        
                //添加自定處理器
                addHandler(new Tianya()).        
                //添加默認結(jié)果處理器，輸出至控制臺
                addHandler(new ConsoleReduceHandler()).        
                start();
    }
}

TODO

• 支持注解方式
• 支持代理池
• 支持Berkeley 內(nèi)存數(shù)據(jù)作為url管理器，提供海量url存儲并提高存取效率
• 支持熱更新
• 支持爬蟲治理