Home

Awesome

yurun-crawler

Latest Version Travis Php Version Swoole Version imi Doc imi License

介绍

宇润爬虫框架(Yurun Crawler) 是一个低代码、高性能、分布式爬虫采集框架,这可能是最一把梭的爬虫框架。

Yurun Crawler 基于 imi 框架开发,运行在 Swoole 常驻内存的协程环境。

为什么会开发这个框架?遇上有爬虫相关需求,调研了一些市面上现有的 PHP 爬虫框架,甚至是其它语言的爬虫框架,功能都十分简陋,需要编写的重复代码极多,不够一把梭。

开发手册:https://doc.yurunsoft.com/yurun-crawler/

目标

能够用最少的代码,方便快速地实现爬虫采集功能。

愿景

成为宇宙第一爬虫框架,以后提到爬虫就想到 Yurun Crawler 可以一把梭实现!

功能特性

示例

Demo Example: https://github.com/Yurunsoft/yurun-crawler-example

主要采集逻辑,可通过注解的方式来编写,超级简单:

<?php
namespace Yurun\CrawlerApp\Module\YurunBlog\Article\Model;

use Yurun\Crawler\Module\Parser\Annotation\DomSelect;
use Yurun\Crawler\Module\Parser\Enum\DomSelectMethod;
use Yurun\Crawler\Module\DataModel\Contract\BaseDataModel;

/**
 * 文章内容模型
 */
class ArticleModel extends BaseDataModel
{
    /**
     * 标题
     * 
     * @DomSelect(selector=".article-view h1", method=DomSelectMethod::TEXT)
     *
     * @var string
     */
    public $title;

    /**
     * 内容
     *
     * @DomSelect(selector=".article-content", method=DomSelectMethod::HTML)
     * 
     * @var string
     */
    public $content;

    /**
     * 时间
     *
     * @DomSelect(selector=".article-info .time", method=DomSelectMethod::TEXT)
     *
     * @var string
     */
    public $time;

}

概念

采集项目

有时候,我们会先采集列表页,再采集内容页

列表页、内容页,都是采集项目,他们的下载、解析、处理逻辑可能都不相同

下载器

负责请求网址,下载并存储内容。

多协程的架构下,支持同时下载海量数据。

支持限流。

数据模型

定义需要从页面中,提取的内容属性。

解析器

负责解析下载后的内容,从中提取需要的信息,返回数据模型。

支持:Dom 解析、正则、JSON、Chrome Headless 页面渲染采集。

处理器

解析器解析出数据模型后,交由处理器进行处理。

存储器

负责将解析后的数据存储入库,支持多种存储方式,并且可以自由扩展。

代理 IP 池

实现代理 IP 池抽象,开发者可以很方便地对接不同接口方。

联系我们

免费技术支持、交流群:17916227 点击加群

商业合作 QQ:369124067