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://doc.lomoye.top/guide/doc.html

前端代码

https://gitee.com/mountFuji/easy-crawl-front

近期目标

• 支持动态js渲染的页面爬取[已完成]

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://doc.lomoye.top/guide/doc.html

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

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

http://easycrawl.lomoye.top/

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.通过网页页面中的文字推测字段xpath规则

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 2.在jdk下的jre/lib/security/java.security文件里面有一个配置项为jdk.tls.disabledAlgorithms，最好把这个给注释了，不然版本新一点的jdk可能会因为这个请求https的url会报错

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
3. 你可以 https://gitee.com/explore 这个地址来了解码云上的优秀开源项目
4. 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
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/