Crawler V1.0.0
代码还没有优化
框架结构很简单
部分功能需要你们给我需求，我后期添加测试
操作指南
命令：java -jar Crawler.jar -[option] -v 爬虫的版本信息 -h 爬虫的帮助文档 -ct [url] 爬虫爬取一个网站测试 URL:测试的URL地址 -cw [url] [k,v] 测试信息抽取 | URL:测试的URL | [k,v] title,div[class=title] 如果有多个参数,使用#隔开 -ci [urllist] [k,v] <InputResult> 把抽取的信息规则保存xml中,可以使用SQL工具的导入向导导入到数据库或者转成其他格式| <InputResult> 保存结
果目录 -cl [url] [k,v] <InputUrllist> 把某URL的列表URL保存到文件中,可以用ci进行深入爬取E.g 例子
1、-ci URL文件 爬虫规则 输出路径
2、执行java -jar crawler.jar -ci url.txt title,h1[id=artibodyTitle]#date,span[id=pub_date]#nodes,div[id=artibody] data.xml
然后我们可以使用SQL导入向导，用xml导入的方式,然后又可以转换为XML、TXT、EXCEL、WORD等多种格式。Navicat工具等
3、-cl命令就是用来生成urllist.txt 然后执行ci命令即可
我的邮箱344892053@qq.com BUG直接ISS或者邮件,你把你的需求告诉我,我来完善,我自己手头有一堆还没完善。
已经完成的:
1、URL格式化,部分网站的URL以"/" "./" "../" "//" 这些已经解决了
2、HTTP代理接口,有了 还没有加
3、自定义UA和Cookie登录 也有了，没有加
4、JDBC之前有,感觉没有xml导入的快，是个累赘 删除了
5、预留了个性化工具,批量提取EMail、QQ、手机号等
6、给SQLMAP做了接口,可在后期实现自动化注入测试和XSS测试
7、可以给Nutch结合上
8、还有问题给我提，我记记，然后慢慢完善。代码是开源 JavaGUI你懂
PS：使用者必须要有Java运行时环境
现在的功能可与Shell DOS命令结合：定时爬虫、分布式爬虫，可以自由组合
OSchina:http://git.oschina.net/puguoan/Crawler
命令已经改变了许多，请看Git中的说明
来源：oschina
链接：https://my.oschina.net/u/2311702/blog/645748