你所需要的,不仅仅是一个好用的代理。
Gather Platform 数据采集与分析平台
Gather Platform 数据抓取平台是一套基于 Webmagic 内核的, 具有 Web 任务配置和任务管理界面的数据采集与搜索平台. 具有以下功能
- 根据配置的模板进行数据采集
- 在不配置采集模板的情况下自动检测网页正文, 自动抽取文章发布时间
- 动态字段抽取与静态字段植入
- 已抓取数据的管理, 包括: 搜索, 增删改查, 按照新的数据模板重新抽取数据
- 对采集的数据进行 NLP 处理, 包括: 抽取关键词, 抽取摘要, 抽取实体词
- 含有相关文章推荐,文章中人物、地点之间的关联关系分析
5 分钟即可部署完毕, 半分钟即可完成一个爬虫, 开始数据采集. 不需要进行任何编码就可以完成一个功能强大的爬虫.
本系统需要如下依赖:
可选依赖组件:
– Elasticsearch 5.0
抓取过于频繁,服务器返回429.这个时候需要切换代理IP了,推荐使用阿布云代理,阿布云代理IP,提供高匿代理,爬虫代理.