https://github.com/hemin1003/java-spider

https://github.com/hemin1003/aylson-parent-new

https://hub.docker.com/r/jobrest/gather-platform/

JAVA爬虫框架实战

基于webmagic框架二次开发的java爬虫框架实战，已实现能爬取腾讯，搜狐，今日头条（单独集成功能）等资讯内容，配合elasticsearch框架用法，实现了自动爬虫，已投入生产试用中。

详细使用方法请参考 在线文档

Gather Platform 数据抓取平台是一套基于Webmagic内核的,具有Web任务配置和任务管理界面的数据采集与搜索平台.具有以下功能

• 根据配置的模板进行数据采集，支持Ajax网页采集
• 在不配置采集模板的情况下自动检测网页正文,自动抽取文章发布时间
• 动态字段抽取与静态字段植入
• 已抓取数据的管理,包括:搜索,增删改查,按照新的数据模板重新抽取数据
• 对采集的数据进行NLP处理,包括:抽取关键词,抽取摘要,抽取实体词
• 含有相关文章推荐，文章中人物、地点之间的关联关系分析
• 
  

5分钟即可部署完毕,半分钟即可完成一个爬虫,开始数据采集.、