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.

Windows/Mac/Linux 全平台支持

本系统需要如下依赖:

• JDK 8 及以上
• Tomcat 8.3 及以上

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.

开源地址：https://github.com/gsh199449/spider