爬虫简介：

WebCollector 是一个无须配置、便于二次开发的 Java 爬虫框架（内核） ，它提供精简的的 API，只需少量代码即可实现一个功能强大的爬虫。WebCollector-Hadoop 是 WebCollector 的 Hadoop 版本，支持分布式爬取。

目前WebCollector-Python项目已在Github上开源，欢迎各位前来贡献代码： https://github.com/CrawlScript/WebCollector-Python

爬虫内核：

WebCollector 致力于维护一个稳定、可扩的爬虫内核，便于开发者进行灵活的二次开发。内核具有很强的扩展性，用户可以在内核基础上开发自己想要的爬虫。源码中集成了 Jsoup，可进行精准的网页解析。2.x 版本中集成了 selenium，可以处理 JavaScript 生成的数据。

Maven：

最新Maven地址请参考文档： https://github.com/CrawlScript/WebCollector/blob/master/README.md

文档地址：

https://github.com/CrawlScript/WebCollector/blob/master/README.md

内核构架图：

WebCollector 2.x 版本特性 ：

自定义遍历策略，可完成更为复杂的遍历业务，例如分页、AJAX

可以为每个 URL 设置附加信息(MetaData)，利用附加信息可以完成很多复杂业务，例如深度获取、锚文本获取、引用页面获取、POST 参数传递、增量更新等。

使用插件机制，用户可定制自己的Http请求、过滤器、执行器等插件。

内置一套基于内存的插件（RamCrawler)，不依赖文件系统或数据库，适合一次性爬取，例如实时爬取搜索引擎。

内置一套基于 Berkeley DB（BreadthCrawler)的插件：适合处理长期和大量级的任务，并具有断点爬取功能，不会因为宕机、关闭导致数据丢失。

集成 selenium，可以对 JavaScript 生成信息进行抽取

可轻松自定义 http 请求，并内置多代理随机切换功能。 可通过定义 http 请求实现模拟登录。

使用 slf4j 作为日志门面，可对接多种日志

使用类似Hadoop的Configuration机制，可为每个爬虫定制配置信息。

WebCollector 2.x 官网和镜像：

官网： https://github.com/CrawlScript/WebCollector

WebCollector 2.x教程：

WebCollector配置

WebCollector入门

WebCollector特色功能

WebCollector持久化

WebCollector高级爬虫定制

WebCollector处理Javascript

WebCollector示例

网页正文提取：

网页正文提取项目 ContentExtractor 已并入 WebCollector 维护。

WebCollector 的正文抽取 API 都被封装为 ContentExtractor 类的静态方法。可以抽取结构化新闻，也可以只抽取网页的正文（或正文所在 Element)。

正文抽取效果指标 :

比赛数据集 CleanEval P=93.79% R=86.02% F=86.72%

常见新闻网站数据集 P=97.87% R=94.26% F=95.33%

算法无视语种，适用于各种语种的网页

标题抽取和日期抽取使用简单启发式算法，并没有像正文抽取算法一样在标准数据集上测试，算法仍在更新中。