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 hujunxianligong@126.com转帐进行捐款。

You may also like...

发表评论

电子邮件地址不会被公开。 必填项已用*标注

推荐文章
加QQ群下载完整Eclipse项目

WebCollector网络爬虫:250108697(已满)

WebCollector网络爬虫2群:345054141

热门