Release Notes

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。