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
22KB
435 行
Crabler - Crabs 的网页爬虫
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
依赖
~12–27MB
~375K SLoC