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Xpath
selectortype
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XPath
required
bool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/ottogo get github.com/bitly/go-simplejsongo buildv0.01
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.
评论