Lazy爬虫配置教程
LAZY是基于WebCollector的一个简易爬虫,可以通过配置采集网页持久化到mongodb中。
使用方法
- 进入LAZY主页,下载Lazy-version-bin.zip,解压
- 下载mongodb,由于国内下载mongodb较慢,提供两个百度网盘下载地址:Linux 64 Win 64
- 配置并启动mongodb(按照一般流程即可)
- 进入Lazy-version-bin.zip解压后的文件夹,用命令行执行命令 java -jar Lazy-版本号.jar 配置文件路径,压缩包内自带了一个配置文件。例如我们可以执行:
java -jar Lazy-0.1-beta.jar demo_task.json
- 查看mongodb,可以看到爬取的网页
例子中demo_task.json是LAZY的配置文件:
{
"task_name":"rubychina",
"resumable":true,
"mongo_ip":"127.0.0.1",
"mongo_port":27017,
"page_db":"topics",
"page_collection":"webpage",
"topN":5000,
"seeds":[
"https://ruby-china.org/topics?page=1"
],
"forced_seeds":[
],
"regex_rule":[
"+https://ruby-china.org/topics/[0-9]+",
"+https://ruby-china.org/topics\\?page=[0-9]+",
"-.*#.*",
"-.*\\.(jpg|png|gif|jpeg|avi|zip|rar|exe).*"
],
"http_head":{
"User-Agent":"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36
(KHTML, like Gecko) Chrome/47.0.2526.73 Safari/537.36"
},
"proxys":[
"direct"
],
"threads":50,
"visit_interval":0,
"retry_interval":0,
"max_receive_size":-1,
"retry":3,
"depth":20
}
这些属性都是WebCollector的常用配置,可以通过WebCollector的教程来学习LAZY爬虫的配置文件。
通过捐款支持WebCollector
维护WebCollector及教程需要花费较大的时间和精力,如果你喜欢WebCollector的话,欢迎通过捐款的方式,支持开发者的工作,非常感谢!
你可以使用支付宝钱包扫描下方的二维码进行捐款, 或者通过向支付宝帐号 [email protected]转帐进行捐款。