xxl-crawler分布式爬虫框架

分布式爬虫框架XXL-CRAWLER

XXL-CRAWLER 是一个分布式爬虫框架。一行代码开发一个分布式爬虫，拥有"多线程、异步、IP动态代理、分布式、JS渲染"等特性；

特性

• 1、简洁：API直观简洁，可快速上手；

• 2、轻量级：底层实现仅强依赖jsoup，简洁高效；

• 3、模块化：模块化的结构设计，可轻松扩展

• 4、面向对象：支持通过注解，方便的映射页面数据到PageVO对象，底层自动完成PageVO对象的数据抽取和封装返回；单个页面支持抽取一个或多个PageVO

• 5、多线程：线程池方式运行，提高采集效率；

• 6、分布式支持：通过扩展 "RunData" 模块，并结合Redis或DB共享运行数据可实现分布式。默认提供LocalRunData单机版爬虫。

• 7、JS渲染：通过扩展 "PageLoader" 模块，支持采集JS动态渲染数据。原生提供Jsoup(快速、推荐)和HtmlUnit(较慢、JS渲染)两种实现，支持自由扩展其他实现。

• 8、失败重试：请求失败后重试，并支持设置重试次数；

• 9、代理IP：对抗反采集策略规则WAF；

• 10、动态代理：支持运行时动态调整代理池，以及自定义代理池路由策略；

• 11、异步：支持同步、异步两种方式运行；

• 12、扩散全站：支持以现有URL为起点扩散爬取整站；

• 13、去重：防止重复爬取；

• 14、URL白名单：支持设置页面白名单正则，过滤URL；

• 15、自定义请求信息，如：请求参数、Cookie、Header、UserAgent轮询、Referrer等；

• 16、动态参数：支持运行时动态调整请求参数；

• 17、超时控制：支持设置爬虫请求的超时时间；

• 18、主动停顿：爬虫线程处理完页面之后进行主动停顿，避免过于频繁被拦截；

文档地址

• 中文文档

技术交流

• 社区交流