See latest versions in https://github.com/code4craft/webmagic/releases
2012-9-4 version：0.3.0
-
Change default XPath selector from HtmlCleaner to Xsoup.
Xsoup is an XPath selector based on Jsoup written by me. It has much better performance than HtmlCleaner.
Time of processing a page is reduced from 7~9ms to 0.4ms.
If Xsoup is not stable for your usage, just use
Spider.xsoupOff()to turn off it and report an issue to me! -
Add cycle retry times for Site.
When cycle retry times is set, Spider will put the url which downloading failed back to scheduler, and retry after a cycle of queue.
2012-8-20 version：0.2.1
ComboExtractor support for annotation.
Request priority support (using PriorityScheduler).
Complete some I18n work (comments and documents).
More convenient extractor API:
-
Add attribute name select for CSSSelector.
-
Group of regex selector can be specified.
-
Add OrSelector.
-
Add Selectors, import static Selectors.* for fluent API such as:
or(regex("<title>(.*)</title>"), xpath("//title"), $("title")).select(s); -
Add JsonPathSelector for Json parse.
2012-8-9 version：0.2.0
此次更新的主题是"方便"(之前的主题是"灵活")。
增加了webmagic-extension模块。
增加了注解方式支持，可以通过POJO+注解的方式编写一个爬虫，更符合Java开发习惯。以下是抓取一个博客的完整代码：
@TargetUrl("http://my.oschina.net/flashsword/blog/\\d+")
public class OschinaBlog {
@ExtractBy("//title")
private String title;
@ExtractBy(value = "div.BlogContent",type = ExtractBy.Type.Css)
private String content;
@ExtractBy(value = "//div[@class='BlogTags']/a/text()", multi = true)
private List<String> tags;
public static void main(String[] args) {
OOSpider.create(Site.me().addStartUrl("http://my.oschina.net/flashsword/blog"),
new ConsolePageModelPipeline(), OschinaBlog.class)
.scheduler(new RedisScheduler("127.0.0.1")).thread(5).run();
}
}
增加一个Spider.test(url)方法，用于开发爬虫时进行调试。
增加基于redis的分布式支持。
增加XPath2.0语法支持(webmagic-saxon模块)。
增加基于Selenium的浏览器渲染支持，用于抓取动态加载内容(webmagic-selenium模块)。
修复了不支持https的bug。
补充了文档：webmagic-0.2.0用户手册。
2012-7-25 version：0.1.0
第一个稳定版本。
修改了若干API，使得可扩展性更强，为每个任务分配一个ID，可以通过ID区分不同任务。
重写了Pipeline接口，将抽取结果集包装到ResultItems对象，而不是通用一个Page对象，便于逻辑分离。
增加下载的重试机制，支持gzip，支持自定义UA/cookie。
增加多线程抓取功能，只需在初始化的时候指定线程数即可。
增加jquery形式的CSS Selector API，可以通过page.getHtml().$("div.body")形式抽取元素。
完善了文档，架构说明：webmagic的设计机制及原理-如何开发一个Java爬虫，Javadoc：http://code4craft.github.io/webmagic/docs。