- Notifications
You must be signed in to change notification settings - Fork1.7k
Pholcus is a distributed high-concurrency crawler software written in pure golang
License
NotificationsYou must be signed in to change notification settings
andeya/pholcus
Folders and files
| Name | Name | Last commit message | Last commit date | |
|---|---|---|---|---|
Repository files navigation
Pholcus（幽灵蛛）是一款纯 Go 语言编写的支持分布式的高并发爬虫软件，仅用于编程学习与研究。
它支持单机、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/kafka/csv/excel等）；另外它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。
本软件仅用于学术研究，使用者需遵守其所在地的相关法律法规，请勿用于非法用途！！如在中国大陆频频爆出爬虫开发者涉诉与违规的新闻。
郑重声明：因违法违规使用造成的一切后果，使用者自行承担！！
- 为具备一定Go或JS编程基础的用户提供只需关注规则定制、功能完备的重量级爬虫工具；
- 支持单机、服务端、客户端三种运行模式；
- GUI(Windows)、Web、Cmd 三种操作界面，可通过参数控制打开方式；
- 支持状态控制，如暂停、恢复、停止等；
- 可控制采集量；
- 可控制并发协程数；
- 支持多采集任务并发执行；
- 支持代理IP列表，可控制更换频率；
- 支持采集过程随机停歇，模拟人工行为；
- 根据规则需求，提供自定义配置输入接口
- 有mysql、mongodb、kafka、csv、excel、原文件下载共五种输出方式；
- 支持分批输出，且每批数量可控；
- 支持静态Go和动态JS两种采集规则，支持横纵向两种抓取模式，且有大量Demo；
- 持久化成功记录，便于自动去重；
- 序列化失败请求，支持反序列化自动重载处理；
- 采用surfer高并发下载器，支持 GET/POST/HEAD 方法及 http/https 协议，同时支持固定UserAgent自动保存cookie与随机大量UserAgent禁用cookie两种模式，高度模拟浏览器行为，可实现模拟登录等功能；
- 服务器/客户端模式采用Teleport高并发SocketAPI框架，全双工长连接通信，内部数据传输格式为JSON。
go get -u -v github.com/henrylee2cn/pholcuspackage mainimport ( "github.com/henrylee2cn/pholcus/exec" // _ "pholcus_lib_pte" // 同样你也可以自由添加自己的规则库)func main() { // 设置运行时默认操作界面，并开始运行 // 运行软件前，可设置 -a_ui 参数为"web"、"gui"或"cmd"，指定本次运行的操作界面 // 其中"gui"仅支持Windows系统 exec.DefaultRun("web")}
正常编译方法
cd {{replace your gopath}}/src/github.com/henrylee2cn/pholcusgo install 或者 go buildWindows下隐藏cmd窗口的编译方法
cd {{replace your gopath}}/src/github.com/henrylee2cn/pholcusgo install -ldflags="-H=windowsgui -linkmode=internal" 或者 go build -ldflags="-H=windowsgui -linkmode=internal"查看可选参数:
pholcus -h
Web版操作界面截图如下：
GUI版操作界面之模式选择界面截图如下
Cmd版运行参数设置示例如下
$ pholcus -_ui=cmd -a_mode=0 -c_spider=3,8 -a_outtype=csv -a_thread=20 -a_dockercap=5000 -a_pause=300-a_proxyminute=0 -a_keyins="<pholcus><golang>" -a_limit=10 -a_success=true -a_failure=true
*注意：*Mac下如使用代理IP功能，请务必获取root用户权限，否则无法通过ping获取可以代理！
├─pholcus 软件│├─pholcus_pkg 运行时文件目录│ ├─config.ini 配置文件│ ││ ├─proxy.lib 代理IP列表文件│ ││ ├─spiders 动态规则目录│ │ └─xxx.pholcus.html 动态规则文件│ ││ ├─phantomjs 程序文件│ ││ ├─text_out 文本数据文件输出目录│ ││ ├─file_out 文件结果输出目录│ ││ ├─logs 日志目录│ ││ ├─history 历史记录目录│ │└─└─cache 临时缓存目录
特点：动态加载规则，无需重新编译软件，书写简单，添加自由，适用于轻量级的采集项目。
xxx.pholcus.html
<Spider> <Name>HTML动态规则示例</Name> <Description>HTML动态规则示例 [Auto Page] [http://xxx.xxx.xxx]</Description> <Pausetime>300</Pausetime> <EnableLimit>false</EnableLimit> <EnableCookie>true</EnableCookie> <EnableKeyin>false</EnableKeyin> <NotDefaultField>false</NotDefaultField> <Namespace> <Script></Script> </Namespace> <SubNamespace> <Script></Script> </SubNamespace> <Root> <Script param="ctx"> console.log("Root"); ctx.JsAddQueue({ Url: "http://xxx.xxx.xxx", Rule: "登录页" }); </Script> </Root> <Rule name="登录页"> <AidFunc> <Script param="ctx,aid"> </Script> </AidFunc> <ParseFunc> <Script param="ctx"> console.log(ctx.GetRuleName()); ctx.JsAddQueue({ Url: "http://xxx.xxx.xxx", Rule: "登录后", Method: "POST", PostData: "username=44444444@qq.com&password=44444444&login_btn=login_btn&submit=login_btn" }); </Script> </ParseFunc> </Rule> <Rule name="登录后"> <ParseFunc> <Script param="ctx"> console.log(ctx.GetRuleName()); ctx.Output({ "全部": ctx.GetText() }); ctx.JsAddQueue({ Url: "http://accounts.xxx.xxx/member", Rule: "个人中心", Header: { "Referer": [ctx.GetUrl()] } }); </Script> </ParseFunc> </Rule> <Rule name="个人中心"> <ParseFunc> <Script param="ctx"> console.log("个人中心: " + ctx.GetRuleName()); ctx.Output({ "全部": ctx.GetText() }); </Script> </ParseFunc> </Rule></Spider>特点：随软件一同编译，定制性更强，效率更高，适用于重量级的采集项目。
xxx.go
func init() { Spider{ Name: "静态规则示例", Description: "静态规则示例 [Auto Page] [http://xxx.xxx.xxx]", // Pausetime: 300, // Limit: LIMIT, // Keyin: KEYIN, EnableCookie: true, NotDefaultField: false, Namespace: nil, SubNamespace: nil, RuleTree: &RuleTree{ Root: func(ctx *Context) { ctx.AddQueue(&request.Request{Url: "http://xxx.xxx.xxx", Rule: "登录页"}) }, Trunk: map[string]*Rule{ "登录页": { ParseFunc: func(ctx *Context) { ctx.AddQueue(&request.Request{ Url: "http://xxx.xxx.xxx", Rule: "登录后", Method: "POST", PostData: "username=123456@qq.com&password=123456&login_btn=login_btn&submit=login_btn", }) }, }, "登录后": { ParseFunc: func(ctx *Context) { ctx.Output(map[string]interface{}{ "全部": ctx.GetText(), }) ctx.AddQueue(&request.Request{ Url: "http://accounts.xxx.xxx/member", Rule: "个人中心", Header: http.Header{"Referer": []string{ctx.GetUrl()}}, }) }, }, "个人中心": { ParseFunc: func(ctx *Context) { ctx.Output(map[string]interface{}{ "全部": ctx.GetText(), }) }, }, }, }, }.Register()}
- 代理IP写在
/pholcus_pkg/proxy.lib文件，格式如下，一行一个IP：
http://183.141.168.95:3128https://60.13.146.92:8088http://59.59.4.22:8090https://180.119.78.78:8090https://222.178.56.73:8118http://115.228.57.254:3128http://49.84.106.160:9000在操作界面选择“代理IP更换频率”或命令行设置
-a_proxyminute参数，进行使用*注意：*Mac下如使用代理IP功能，请务必获取root用户权限，否则无法通过ping获取可以代理！
请求队列中，重复的URL是否会自动去重？
url默认情况下是去重的，但是可以通过设置Request.Reloadable=true忽略重复。URL指向的页面内容若有更新，框架是否有判断的机制？
url页面内容的更新，框架无法直接支持判断，但是用户可以自己在规则中自定义支持。请求成功是依据web头的状态码判断？
不是判断状态，而是判断服务器有无响应流返回。即，404页面同样属于成功。请求失败后的重新请求机制？
每个url尝试下载指定次数之后，若依然失败，则将该请求追加到一个类似defer性质的特殊队列中。 在当前任务正常结束后，将自动添加至下载队列，再次进行下载。如果依然有没下载成功的，则保存至失败历史记录。 当下次执行该条爬虫规则时，可通过选择继承历史失败记录，把这些失败请求自动加入defer性质的特殊队列……（后面是重复步骤）About
Pholcus is a distributed high-concurrency crawler software written in pure golang
Topics
Resources
License
Stars
Watchers
Forks
Packages0
No packages published