分布式爬虫技术架构
Spiderman
Spiderman 是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有用的数据。 Spiderman主要是运用了像XPath、正则、表达式引擎等这些技术来实现数据抽取。
项目结构：
依赖关系如下：
webmagic
webmagic采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线程抓取，分布式抓取，并支持自动重试、自定义UA/cookie等功能。
工程结构：
工程间的关系：
众推
用整体正在进行中，目前积中在分布式爬虫阶段。
目前设计阶段的结构为：
基本思想为：
WEB：界面及功能部分。
SAMPLES：示例部分。
CORE：需要调用的核心包。
RULES：规则处理部分。
PARSERS：解析部分。
PLUGIN：插件部分。
CDOOP：分布式处理部分。
ADAPTER：代理适配部分。
STORE：存储层。
目前项目的地址在：
