Grabant Go 语言开发的爬虫框架

Grabantgo语言爬虫框架，自定义javascript规则Grabant是一个用go语言开发，用javascript语法书写规则的爬虫框架 规则开发和神箭手的爬虫规则类似，开发的目的是兼容大部分神箭手已有的规则说明一些相关解释及说明如下：扫描页是直接配置的一级页面，这个页面扫描的结果是抓取列表页;列表页是扫描后的二级页面，这个页面是为了抓取内容页;内容页才是真正匹配我们需要内容的规则的页面，内容页会匹配我们需要的内容并输出;每次扫描页面，会抽取页面的链接放入队列进行规则匹配，列表页规则如果为空则列表页抽取链接全放入列表队列，同理内容页，从内容页中抽取的数据是以xpath或者正则匹配的规则举个栗子： 如下是一个简易的爬豆瓣电影评分的规则var configs = {
    domains: ["movie.douban.com"],
    interval: 3000,
    scanurls: ["https://movie.douban.com/cinema/nowplaying/shenzhen/"],
    helperurlregexes: ["https://movie\\.douban\\.com/subject/\\d+/\\?from=playing_poster"],
    fields: [
        {
            name: "film Name",
            selector: "//*[@id=\"content\"]/h1/span[1]",
            required: true
        },
        {
            name: "Rank",
            selector: "//*[@id=\"interest_sectl\"]/div[1]/div[2]/strong"
            required: true
        }
    ]
};

// 使用以上配置创建一个爬虫对象
var crawler = new Crawler(configs);
// 启动该爬虫
crawler.start();configs是一个json配置对应的字段意义如下：domains定义应用爬取哪些域名下的网页interval爬取页面需要的延时，毫秒scanUrls定义入口页url, 从入口页url开始爬取数据contenturlregexes设置内容页url的正则表达式helperurlregexes设置列表页url的正则表达式field定义一个从内容页中抽取数据的抽取项,包括以下内容name抽取项的名称selector抽取项的匹配规则，可以是正则表达式或者Xpathselectortype定义抽取区的类型,正则为SelectorType.Regex, XPath为SelectorType.XPath,如果不设置默认为XPathrequiredbool类型，如果为true，则此项必须存在才爬取此数据使用方法grabant -rule /路径/规则文件编译go get github.com/robertkrimen/otto

go get github.com/bitly/go-simplejson

go build v0.01此版本是一个原型版本，目前还有很多判断不严密的可能引起crash的问题;和神箭手不同之出目前有两个，一是configs项区分大小写，需要全为小写，二fields中selector只支持字符正则;现在此版本还未实现多个对象及回调方法，只支持最简单的json规则.