当前位置: > Linux新闻 >

高并发、分布式爬虫 Pholcus 0.8.5 发布

时间:2016-03-23 20:37来源:linux.it.net.cn 作者:IT

Pholcus 0.8.5 发布,此版本优化多项功能(如新增cmd版服务端、客户端,细化历史记录粒度等)、修复多个bug,并减少诸多依赖包,为发布1.0稳定版做准备。

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 web 版
更新详情如下所示:

一、命令行相关功能升级

1. cmd界面版增加对服务端与客户端模式的支持;

2. 新增丰富的命令行参数,且优先级高于配置文件。

二、配置文件更新

1. 增加更多可配置项;

2. 重新规范代码,配置参数为优先级最低的默认信息。

三、Spider结构体调整

1. Keyword改为Keyin,相应操作界面中“自定义输入”改为“自定义配置”(多任务时应分别多包裹一层“<>”);

2. MaxPage字段改为Limit,相应操作界面中“最大页数”改为“采集上限”(默认限制url请求数);

3. 添加subName,用于区分多任务并发的情况;

4. 允许在规则的Root()中进行阻塞;

5. 优化动态规则加载的错误处理。

四、调度器与历史记录模块升级

1. 增强历史记录功能,历史记录与Spider实例一一对应,且与输出操作保持同步更新;

2. 修复调度器在32位系统下panic的bug。

五、输出模块优化

1. 修改mysql输出模块,支持多行批量插入,修改默认连接池容量为2048,提升输出速率与稳定性;

2. mgo的insert方法更新,内部增加分批插入控制,默认为5000条,提升写入数据库的稳定性;

3. 修复连接池捕获panic的bug。

六、其他

1. 解决某些规则的代码片段在手动终止任务后依旧默默运行的问题,减少资源消耗;

2. 解决大量任务长时间运行后手动终止操作耗时太长的问题,加快终止操作响应速度;

3. 调整运行时目录文件;

4. 将大部分依赖包合并到项目中;

5. 修复一些bug。

(责任编辑:IT)
------分隔线----------------------------
栏目列表
推荐内容