发布于 2015-12-03 00:31:19 | 199 次阅读 | 评论: 0 | 来源: 网友投递
Pholcus Go 爬虫软件
Pholcus（幽灵蛛）是一款纯Go语言编写的高并发、分布式、重量级爬虫软件，支持单机、服务端、客户端三种运行模式，拥有Web、GUI、命令行三种操作界面；规则简单灵活、批量任务并发、输出方式丰富（mysql/mongodb/csv/excel等）、有大量Demo共享；同时她还支持横纵向两种抓取模式，支持模拟登录和任务暂停、取消等一系列高级功能。
Pholcus 0.7.5 发布，更新如下：
大量功能优化：
一、规则模块更新：
1. 封装Spider与Response为上下文Context，大大简化规则语法；
2. 支持从Context获取上一次Request，并可在修改后作为新请求加入队列，从而节约内存（如有依赖Request的Temp值的Output操作，则应先Output再修改Request）；
3. 自动为每条未设置Referer的请求补填Referer；
4. Keyword作为命名空间时，如过长则取其hash值；
4. 更新公共方法集。
二、调度器更新：
1. 去除SrcManager接口，降低内部消耗；
2. 为每个队列增加读写锁，消除并发隐患；
4. 增加RegSpider方法，提升调度效率。
三、输出模块更新：
1. 优化加强mysql操作，并解决一个字段长度的bug；
2. 优化mongodb操作，降低内存消耗；
3. 修复数据库链接失败后panic的bug。
四、去重功能更新：
1. 样本的保存位置与输出方式保持一致（file/mongodb/mysql）；
2. 每次采集时，若改变是否继承历史去重的状态，则更新去重样本；
3. 优化读写方法，提升性能。
五、Surfer下载器更新：
1. 修复surf下载内核Header赋值的bug，完美支持模拟登录、随机User-Agent等；
2. phantom下载内核，在返回的响应流中添加请求信息。
(更新方法：go get -u github.com/henrylee2cn/surfer)
六、其他更新：
1. 提高暂停/停止功能在大批量任务并发情况下的灵敏性；
2. 修复运行模式热切换的小bug，并优化了切换速度；
3. Crwal接口的内部资源计数改用原子操作，提高并发安全性；
4. 操作界面的规则列表，实现按首字母排序。
下载页面：0.7.5
Pholcus（幽灵蛛）是一款纯Go语言编写的重量级爬虫软件，清新的GUI界面，优雅的爬虫规则、可控的高并发、任意的批量任务、多种输出方式、大量Demo，支持横纵向两种抓取模式，支持模拟登录和任务取消等，并且考虑了支持分布式布局。