29 个版本

0.1.28 2022年4月1日
0.1.27 2022年1月8日
0.1.23 2021年12月22日
0.1.22 2021年7月8日
0.1.11 2020年3月11日

#12 in #scraper

MIT 协议

22KB
435

Crabler - Crabs 的网页爬虫

CI Crates.io docs.rs MIT licensed

使用 Rust 编写的异步网页爬虫引擎。

功能

  • 完全基于 async-std
  • 基于 derive 宏的 API
  • 基于结构体的 API
  • 有状态的爬虫(结构体可以保存状态)
  • 下载文件的能力
  • 异步方式调度导航任务的能力

示例

extern crate crabler;

use std::path::Path;

use crabler::*;
use surf::Url;

#[derive(WebScraper)]
#[on_response(response_handler)]
#[on_html("a[href]", walk_handler)]
struct Scraper {}

impl Scraper {
    async fn response_handler(&self, response: Response) -> Result<()> {
        if response.url.ends_with(".png") && response.status == 200 {
            println!("Finished downloading {} -> {:?}", response.url, response.download_destination);
        }
        Ok(())
    }

    async fn walk_handler(&self, mut response: Response, a: Element) -> Result<()> {
        if let Some(href) = a.attr("href") {
            // Create absolute URL
            let url = Url::parse(&href)
                .unwrap_or_else(|_| Url::parse(&response.url).unwrap().join(&href).unwrap());

            // Attempt to download an image
            if href.ends_with(".png") {
                let image_name = url.path_segments().unwrap().last().unwrap();
                let p = Path::new("/tmp").join(image_name);
                let destination = p.to_string_lossy().to_string();

                if !p.exists() {
                    println!("Downloading {}", destination);
                    // Schedule crawler to download file to some destination
                    // downloading will happen in the background, await here is just to wait for job queue
                    response.download_file(url.to_string(), destination).await?;
                } else {
                    println!("Skipping existing file {}", destination);
                }
            } else {
              // Or schedule crawler to navigate to a given url
              response.navigate(url.to_string()).await?;
            };
        }

        Ok(())
    }
}

#[async_std::main]
async fn main() -> Result<()> {
    let scraper = Scraper {};

    // Run scraper starting from given url and using 20 worker threads
    scraper.run(Opts::new().with_urls(vec!["https://www.rust-lang.net.cn/"]).with_threads(20)).await
}

示例项目

Gonzih/apod-nasa-scraper-rs

依赖

~12–27MB
~375K SLoC