57 lines
2.1 KiB
Markdown
Executable File
57 lines
2.1 KiB
Markdown
Executable File
Release Notes
|
||
----
|
||
*2012-8-9* `version：0.2.0`
|
||
|
||
此次更新的主题是"方便"(之前的主题是"灵活")。
|
||
|
||
增加了webmagic-extension模块。
|
||
|
||
增加了注解方式支持，可以通过POJO+注解的方式编写一个爬虫，更符合Java开发习惯。以下是抓取一个博客的完整代码：
|
||
|
||
@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+")
|
||
public class OschinaBlog {
|
||
|
||
@ExtractBy("//title")
|
||
private String title;
|
||
|
||
@ExtractBy(value = "div.BlogContent",type = ExtractBy.Type.Css)
|
||
private String content;
|
||
|
||
@ExtractBy(value = "//div[@class='BlogTags']/a/text()", multi = true)
|
||
private List<String> tags;
|
||
|
||
public static void main(String[] args) {
|
||
OOSpider.create(Site.me().addStartUrl("http://my.oschina.net/flashsword/blog"),
|
||
new ConsolePageModelPipeline(), OschinaBlog.class)
|
||
.scheduler(new RedisScheduler("127.0.0.1")).thread(5).run();
|
||
}
|
||
|
||
}
|
||
|
||
增加一个Spider.test(url)方法，用于开发爬虫时进行调试。
|
||
|
||
增加基于redis的分布式支持。
|
||
|
||
增加XPath2.0语法支持(webmagic-saxon模块)。
|
||
|
||
增加基于Selenium的浏览器渲染支持，用于抓取动态加载内容(webmagic-selenium模块)。
|
||
|
||
修复了不支持https的bug。
|
||
|
||
补充了文档：[webmagic-0.2.0用户手册](http://code4craft.github.io/webmagic/)。
|
||
|
||
*2012-7-25* `version：0.1.0`
|
||
|
||
第一个稳定版本。
|
||
|
||
修改了若干API，使得可扩展性更强，为每个任务分配一个ID，可以通过ID区分不同任务。
|
||
|
||
重写了Pipeline接口，将抽取结果集包装到ResultItems对象，而不是通用一个Page对象，便于逻辑分离。
|
||
|
||
增加下载的重试机制，支持gzip，支持自定义UA/cookie。
|
||
|
||
增加多线程抓取功能，只需在初始化的时候指定线程数即可。
|
||
|
||
增加jquery形式的CSS Selector API，可以通过`page.getHtml().$("div.body")`形式抽取元素。
|
||
|
||
完善了文档，架构说明：[webmagic的设计机制及原理-如何开发一个Java爬虫](http://my.oschina.net/flashsword/blog/145796)，Javadoc：[http://code4craft.github.io/webmagic/docs](http://code4craft.github.io/webmagic/docs)。 |