网页数据抓取器

工具办公软件案例ID：213836

华美网络

15 年经验· 清华同方

微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。

案例介绍

这是一种“网络爬虫”，用于抓取网站的数据。最初实施于某国家级政府机关单位，用于抓取国外特定网站上的数据，包括日韩欧美等近20个特定网站上的数据。后又用于抓取其它多个领域的网站数据
1. 功能特点
可以对要抓取数据的网站进行配置，核心代码根据配置对各个网站进行解析，获取有用数据存储入库，可以进行复杂的数据提取，比如下载分页的pdf附件，在附件可有可无、名称不确定、页数不确定的情况下也能正确抓取；
可以指定抓取某个网站上的某个网页的某个区域的数据；
可以模仿人工浏览网页的方式执行数据抓取。比如抓取某网站的pdf文件，手工操作按照这些步骤进行：第一步需要先输入用户名密码后登录，第二步进入搜索界面按照关键字进行搜索，第三步在搜索到的结果列表中找到某行信息；第四步下载者此信息的附件pdf，pdf是分页浏览器的。在这种情况下可以通过配置后准确的抓取全部页数的pdf文本。
2. 技术特点
对抓取的数据通过xml文件进行配置，以便网站版面、样式等发生改变的时候能够及时调整；
强大的地方是配置文件中可以编写脚本；
采用java语言编制，可以方便的嵌入到各种系统中。