开源软件名称:Crawler
开源软件地址:https://gitee.com/puguoan/Crawler
开源软件介绍:
#Crwaler V1.0.3 增加正则表达式爬取工具 -cr URL -rule "[rule 正则表达式]" 最好带个冒号括起来 {other data} 可以选择性加 -input 输入结果到文件中 -------------------------------code------------------- 2016.04.01#Crwaler V1.0.2 修复 -cl 命令 增加自动去重功能 -cl URL -cq div[class=XX] -cl URL -cq div[class=xx] -file 将URL按行保存在某一个地方 -cq 可以是 <a href=""> 传a就行 -cq a 如果是<div class="xss"> <a ...</a> <a2>...</a> ...n</div> -cq div[class=xss]即可取出所有url并去重 ----------------------code--------------------------- 2016.3.28#Crawler v1.0.1 升级版本 **Other data ** - {-header User-Agent@Android}
- {-cookie CookieValue}
- {-data user=x&pass=x}
- {proxy IP:PORT}
- {-timesec time}
- {-post}
Command: -v Manipulator Crawler Version -h Manipulator Crawler UseINFO FAQ -u [url] {other data} -cw [url] -cq k,v@k,v k=title v=div[class=XXX] {other data} -ci -file -input -cq k,v@k,v... {other data} 1、增加头伪造 -header 可以伪造浏览器或者其他认证信息 2、增加Cookik登录爬取 -cookie 模拟登录爬取 3、增加POST\GET带参数提交 -data user=XX?pass=xx 4、增加代理IP功能 proxy ip:port 128.0.0.1:3389 5、增加延时爬取功能 -timesec 1000 = 1s E.g>:C:\Users\ssHss\Desktop\ImageTemp>java -jar 1.jar -ci -file url.txt -cq title,h1[id=artibodyTitle]#date,span[id=pub_date]#nodes,div[id=artibody] -input dataxsxs.xml 和第一个版本不一样,一定要写好参数 ----------------------code--------------------------- 2016.3.25 #Crawler V1.0.0 - 代码还没有优化
- 框架结构很简单
- 部分功能需要你们给我需求,我后期添加测试
操作指南命令:java -jar Crawler.jar -[option] -ct [url] 爬虫爬取一个网站测试 URL:测试的URL地址 -cw [url] [k,v] 测试信息抽取 | URL:测试的URL | [k,v] title,div[class=title] 如果有多个参数,使用#隔开 -ci [urllist] [k,v] <InputResult> 把抽取的信息规则保存xml中,可以使用SQL工具的导入向导导入到数据库或者转成其他格式| <InputResult> 保存结果目录 -cl [url] [k,v] <InputUrllist> 把某URL的列表URL保存到文件中,可以用ci进行深入爬取
E.g 例子1、-ci URL文件 爬虫规则 输出路径 2、执行java -jar crawler.jar -ci url.txt title,h1[id=artibodyTitle]#date,span[id=pub_date]#nodes,div[id=artibody] data.xml 然后我们可以使用SQL导入向导,用xml导入的方式,然后又可以转换为XML、TXT、EXCEL、WORD等多种格式。Navicat工具等 3、-cl命令就是用来生成urllist.txt 然后执行ci命令即可 直接ISS或者邮件,你把你的需求告诉我,我来完善,我自己手头有一堆还没完善。 已经完成的: 1、URL格式化,部分网站的URL以"/" "./" "../" "//" 这些已经解决了 2、HTTP代理接口,有了 还没有加 3、自定义UA和Cookie登录 也有了,没有加 4、JDBC之前有,感觉没有xml导入的快,是个累赘 删除了 5、预留了个性化工具,批量提取EMail、QQ、手机号等 6、给SQLMAP做了接口,可在后期实现自动化注入测试和XSS测试 7、可以给Nutch结合上 8、还有问题给我提,我记记,然后慢慢完善。代码是开源 JavaGUI你懂 PS:使用者必须要有Java运行时环境
现在的功能可与Shell DOS命令结合:定时爬虫、分布式爬虫,可以自由组合 QQ群:549067011 |
请发表评论