重量级爬虫软件 Pholcus

# pholcus [](https://godoc.org/github.com/henrylee2cn/pholcus) [](https://github.com/henrylee2cn/pholcus/releases) 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。  * 官方QQ群：Go大数据 42731170 [](http://shang.qq.com/wpa/qunwpa?idkey=83ee3e1a4be6bdb2b08a51a044c06ae52cf10a082f7c5cf6b36c1f78e8b03589) #### 爬虫原理  #### 框架特点 1. Pholcus（幽灵蛛）以高效率，高灵活性和人性化设计为开发的指导思想； 2. 支持单机、服务端、客户端三种运行模式，即支持分布式布局，适用于各种业务需要； 3. 支持Web、GUI、命令行三种操作界面，适用于各种运行环境； 4. 支持mysql/mongodb/csv/excel等多种输出方式，且可以轻松添加更多输出方式； 5. 采用surfer高并发下载器，支持 GET/POST/HEAD 方法及 http/https 协议，同时支持固定UserAgent自动保存cookie与随机大量UserAgent禁用cookie两种模式，高度模拟浏览器行为，可实现模拟登录等功能； 6. 服务器/客户端模式采用teleport高并发socketAPI框架，全双工长连接通信，内部数据传输格式为JSON； 7. 对采集规则进行了精心设计，规则灵活简单、高度封装，用于通用方法集与大量Demo，让你轻松添加规则； 8. 支持横纵向两种抓取模式，并且支持任务暂停、取消等操作。 &nbsp; #### 下载安装 1. 下载第三方依赖包源码，放至 GOPATH/src 目录下 [[点击下载 ZIP]](https://github.com/pholcus/dependent/archive/master.zip) 2. 下载保持更新状态的源码，命令行如下 ``` go get github.com/henrylee2cn/pholcus ``` 备注：Pholcus公开维护的spider规则库地址 <https://github.com/pholcus/spider_lib> &nbsp; #### 创建项目 ``` package main import ( "github.com/henrylee2cn/pholcus/config" "github.com/henrylee2cn/pholcus/exec" "github.com/henrylee2cn/pholcus/runtime/cache" // "github.com/henrylee2cn/pholcus/logs" _ "github.com/pholcus/spider_lib" // 此为公开维护的spider规则库 // _ "spider_lib_pte" // 同样你也可以自由添加自己的规则库 ) func main() { // 设置运行时默认操作界面，并开始运行 // 运行软件前，可设置 -a_ui 参数为"web"、"gui"或"cmd"，指定本次运行的操作界面 // 其中"gui"仅支持Windows系统 exec.DefaultRun("web") } // 自定义相关配置，将覆盖默认值 func init() { // 标记当前init()已执行完毕 defer cache.ExecInit(0) // 允许日志打印行号 // logs.ShowLineNum() //mongodb链接字符串 config.MGO.CONN_STR = "127.0.0.1:27017" //mongodb数据库 config.MGO.DB = "pholcus" //mongodb连接池容量 config.MGO.MAX_CONNS = 1024 //mysql服务器地址 config.MYSQL.CONN_STR = "root:@tcp(127.0.0.1:3306)" //msyql数据库 config.MYSQL.DB = "pholcus" //mysql连接池容量 config.MYSQL.MAX_CONNS = 1024 // 历史记录文件名前缀 config.HISTORY.FILE_NAME_PREFIX = "history" // 代理IP完整文件名 config.PROXY_FULL_FILE_NAME = "proxy.pholcus" // Surfer-Phantom下载器配置 config.SURFER_PHANTOM.FULL_APP_NAME = "phantomjs" //phantomjs软件相对路径与名称 } ``` &nbsp; #### 编译运行 正常编译方法 ``` go install 或者 go build ``` Windows下隐藏cmd窗口的编译方法 ``` go install -ldflags="-H windowsgui" 或者 go build -ldflags="-H windowsgui" ``` 查看可选参数: ``` pholcus -h ```  &nbsp; > *<font size="2">(注意：当运行web操作界面时请将 src/github.com/henrylee2cn/pholcus/web 文件夹拷贝至当前项目目录下，其中的go文件可删除)，Web版操作界面截图如下：*  &nbsp; > *<font size="2">GUI版操作界面之模式选择界面截图如下*  &nbsp; > *<font size="2">Cmd版运行参数设置示例如下* ``` pholcus -a_ui=cmd -c_spider=3,8 -c_output=csv -c_thread=20 -c_docker=5000 -c_pause=300 -c_proxy=0 -c_keyword=pholcus,golang -c_maxpage=10 -c_inherit_y=true -c_inherit_n=true ``` &nbsp; #### 第三方依赖包 ``` go get github.com/pholcus/spider_lib go get github.com/henrylee2cn/teleport go get github.com/henrylee2cn/beelogs go get github.com/henrylee2cn/mahonia go get github.com/henrylee2cn/websocket.google go get github.com/PuerkitoBio/goquery go get github.com/andybalholm/cascadia go get github.com/lxn/walk go get github.com/lxn/win go get github.com/tealeg/xlsx go get github.com/go-sql-driver/mysql go get gopkg.in/mgo.v2 <以下需翻墙下载> go get golang.org/x/net/html go get golang.org/x/text/encoding go get golang.org/x/text/transform ``` > *<font size="2">（在此感谢以上开源项目的支持！）</font>* &nbsp; #### 开源协议 Pholcus（幽灵蛛）项目采用商业应用友好的[Apache License v2](https://github.com/henrylee2cn/pholcus/raw/master/doc/license.txt).发布