jwlyn/jscrapy

The world's leading data crawler platform!

jscrapy's Issues

加载配置文件时，初始化processor

RT

scheduler unit test refactor

重构

封装curl进行网络诊断

RT

config 模块要重构

配置有点多，每个模块的配置都混合在一起。
希望可以形成层次关系、组关系。

不同任务的日志分开打印

不同任务的日志分别打在不同的文件里。这样是为了将来在web控制台上可以单独看某一个任务的log

使用fastjson代替jackson

RT

url重试功能

当出现超时等网络错误的时候，放回队列等待重试。

提供一个初始化URL种子的方法，集群里只调用一次

RT。例如

arrayList = [];
for(i=0; i<1000; i++){
     arrayList.add("http://xxx.com?page="+i);
}

在程序运行之初调用这个方法把种子初始化进入到队列里。

GroovyProcessor实现

RT

client端

实现一个命令行客户端，云端部署了集群成为一种基础设施。将配置和jar打包到一起，然后从客户端可以直接执行，指明存储位置。

Request实现

实现对header, cookie, referer, isAjax的操作

判断是否是下载失败

在一些大型商业网站，例如求职、商品房销售、外卖站点的抓取过程中。有些房子卖出去了，于是页面就不存在了。
这个时候应该有个机制直接根据返回的

• http 状态码决定是否应该重试
• 检测页面特殊说明，例如“此页面不存在，试试这些产品”
  来判断是否需要重试。

能够从网络加载任务

爬虫节点能够从网络接受任务并抓取。

实现下载

下载接口实现

yaml和初始化参数的合法性检查

RT

删除ehcache

删除ehcache，放入ext module?

虚拟分布式启动的时候用制定参数覆盖VIRTUAL_ID

目前VIRTUAL_ID使用的是JVM进程号。但是这个进程号每次重启之后都会变化。
如果使用ehcache作为去重，bigqueue作为队列，那么再次启动jvm进程会发生变化，任务不能断点继续。

myspider-core log打印

使用slfapi打印日志

优先级队列

如果ajax带有时间因子，例如2秒超时。那么这ajax在迭代的时候插入到队列末尾，最终被拿出来处理的时候就会出现失效。

将请求信息一起保存到网页缓存里

生成网页的MD5保存为文件，找不到文件的原始出处。
如果出了问题也不容易查，因此使用html注释的方式将请求信息保存在网页文本中。

一个参数队列，从多个站点抓取

例如抓whois信息。以域名为输入参数，但是每个站点的whois接口不一样。要抓的字段信息一样。

TaskManager

RT

弱网环境

需要反复尝试，长时间尝试的站点。

请求参数参与去重？

• 例如csrf-token， 验证码每次都不一样。这样的数据应该在接口中控制不参加去重。
• 页面A跳转到页面A， 中间返回的code不一样。

从yaml文件运行一个爬虫

以yaml文件为命令行输入跑一个爬虫

删除apache-http依赖

RT使用jodd-http代替

TaskConfig的初始化修改为以yaml文件驱动，入口单一

RT

可执行war包

打包成可执行war包

retry 次数控制

RT

MongoQueue实现

基于Mongodb的可靠抓取queue

专家模式和菜鸟模式

菜鸟模式只配置几个xpath或者正则等。
专家模式可以写脚本。

javascript 执行工具

可以从网页里把复杂的js函数扣出来，执行客户端的复杂计算

Spider实现

RT

yaml配置模版

标准配置模版

清除可执行jar包里的tomcat

用jetty代替

Downloader实现

实现下载模块

实现网络中jar包动态装载和卸载

用于动态注入爬虫中变化部分。
思路：将jar包发布到nexus上，动态装卸。

初始化TaskStatus

RT

Task实现

RT

MongoDbPipline实现

RT

实现一个测试网络最高访问频率的工具

1. proxy测试
2. 访问频率测试
3. 最高访问数量/天

HTML文件“压缩”后存储

去掉换行，空白。

retry 次数控制

RT

域名中途更换与缓存命中

如果跑的过程中域名发生了更换，但是又要原来的缓存接着跑。去重方法需要改进。

request里控制这个请求代表的页面要不要缓存，或者缓存时效

如题。

几个默认要添加的字段

• mydata_created
• mydata_from 可用脚本名称或者task名称
• mydata_url来源
• my_data_task_id
• my_data_task_sched_id

TaskStatus实现

RT

为解析到的数据自动加上选项字段

例如

- 生成时间

删除webmagic的解析依赖

自实现

整理异常

RT