发布于 2016-09-25 23:59:06 | 209 次阅读 | 评论: 0 | 来源: 网友投递
Pholcus Go 爬虫软件
Pholcus（幽灵蛛）是一款纯Go语言编写的高并发、分布式、重量级爬虫软件，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/csv/excel等）、有大量Demo共享；同时她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。
Pholcus爬虫软件发布1.2版本，CPU使用率与内存占用均有大幅降低，运行更加稳定流畅。同时新增kafka输出方式，加快任务终止速度（秒级延时）。
Pholcus v1.2 具体更新细节如下：
一、输出功能升级
添加kafka数据库输出
基本重新了mysql输出模块，提升输出稳定性与输出效率
增加输出文件目录的配置项
大量优化结果收集模块，提升I/O性能与状态控制性
移除文件输出目录的日期后缀
调整文件名哈希临界长度为>8
移除数据输出通道容量的配置项DATA_CHAN_CAP，由分批输出用户设置项直接决定
二、下载功能升级
增强自动转码功能
当响应头未指定编码类型时，从请求头读取
都未指定编码类型或编码类型为utf8时，不做转码，节约内存
增加支持自动解压缩deflate和zlib编码的响应流
升级surfer下载器，修复POST提交时下载内核中Content-Type被覆盖的bug，修复Request.GetHeader()==nil时panic的bug
修复输出图片等文件时，下载补全的bug
Context.text字段类型由string改为[]byte
将HTTP状态码大于等于400的请求自动标记为下载失败
三、采集规则模块升级
更新*Request.GetTemp(key string, defaultValue interface{}) interface{}，defaultValue不再作为结果接收容器，当键值对不存在时，返回值为参数defaultValue。
Spider.Register()方法改为接受Spider类型（之前为*Spider），推荐使用 "func init(){Spider{}.Register()}" 的方式进行声明
优化任务停止条件，Spider.Root退出之前，任务不可终止
修复动态规则解析bug
同名采集规则的名称自动添加加"(2)"形式的序号后缀
优化crawler采集引擎的随机停顿逻辑
添加 Context.Log() 日志打印接口
四、其他优化
修复某些情况下在非win系统中log日志引发的panic
修复web版启动时偶然性打不开页面的bug
web版实时日志在超过2000条时自定清除前1000条
优化scheduler调度器
调整分布式模块字面量命名
修复CUP占用高的问题，采集过程的最低使用率从 20% 降低到 1%
加快任务的主动终止，基本已将延时控制在秒级
通过数据输出速率来抑制采集下载速率，从而降低不必要的内存占用
下载地址：