gecco-redis
Gecko crawler supports distributed by redis
gecco爬虫通过将初始的start request放入redis的队列进行分布式抓取,sprider线程首先从redis中获取初始抓取请求,在线程内完成子请求的抓取任务。完成后再从redis中获取下一个初始请求。这样实现了初始请求的深度优先策略,子请求的广度优先策略。
建议分布式抓取策略下,抓取线程的数量要小于等于初始请求(start request)的数量。
##Download
<dependency>
<groupId>com.geccocrawler</groupId>
<artifactId>gecco-redis</artifactId>
<version>1.0.6</version>
</dependency>
##QuickStart
//每台服务器启动1个GeccoEngine服务
//启动GeccoEngine时,设置RedisStartScheduler
GeccoEngine.create()
.scheduler(new RedisStartScheduler("127.0.0.1:6379"))
.classpath("com.geccocrawler.gecco.demo")
//开始抓取的页面地址
.start("https://github.com/xtuhcy/gecco")
//开启几个爬虫线程
.thread(1)
//单个爬虫每次抓取完一个请求后的间隔时间
.interval(2000)
.run();
##DEMO 参考源代码中测试用例src/test