Pholcus 1.2 发布，高并发、分布式爬虫软件

deles

欢迎加入运维网交流群：263444886  
                　　Pholcus爬虫软件发布1.2版本，CPU使用率与内存占用均有大幅降低，运行更加稳定流畅。同时新增kafka输出方式，加快任务终止速度（秒级延时）。

　　Pholcus v1.2 具体更新细节如下：
　　一、输出功能升级

• 　　添加kafka数据库输出
  
• 　　基本重新了mysql输出模块，提升输出稳定性与输出效率
  
• 　　增加输出文件目录的配置项
  
• 　　大量优化结果收集模块，提升I/O性能与状态控制性
  
• 　　移除文件输出目录的日期后缀
  
• 　　调整文件名哈希临界长度为>8
  
• 　　移除数据输出通道容量的配置项DATA_CHAN_CAP，由分批输出用户设置项直接决定
  

　　
　　二、下载功能升级

• 　　增强自动转码功能
  
• 　　当响应头未指定编码类型时，从请求头读取
  
• 　　都未指定编码类型或编码类型为utf8时，不做转码，节约内存
  
• 　　增加支持自动解压缩deflate和zlib编码的响应流
  
• 　　升级surfer下载器，修复POST提交时下载内核中Content-Type被覆盖的bug，修复Request.GetHeader()==nil时panic的bug
  
• 　　修复输出图片等文件时，下载补全的bug
  
• 　　Context.text字段类型由string改为[]byte
  
• 　　将HTTP状态码大于等于400的请求自动标记为下载失败
  

　　
　　三、采集规则模块升级

• 　　更新*Request.GetTemp(key string, defaultValue interface{}) interface{}，defaultValue不再作为结果接收容器，当键值对不存在时，返回值为参数defaultValue。
  
• 　　Spider.Register()方法改为接受Spider类型（之前为*Spider），推荐使用 "func init(){Spider{}.Register()}" 的方式进行声明
  
• 　　优化任务停止条件，Spider.Root退出之前，任务不可终止
  
• 　　修复动态规则解析bug
  
• 　　同名采集规则的名称自动添加加"(2)"形式的序号后缀
  
• 　　优化crawler采集引擎的随机停顿逻辑
  
• 　　添加 Context.Log() 日志打印接口
  

　　
　　四、其他优化

• 　　修复某些情况下在非win系统中log日志引发的panic
  
• 　　修复web版启动时偶然性打不开页面的bug
  
• 　　web版实时日志在超过2000条时自定清除前1000条
  
• 　　优化scheduler调度器
  
• 　　调整分布式模块字面量命名
  
• 　　修复CUP占用高的问题，采集过程的最低使用率从 20% 降低到 1%
  
• 　　加快任务的主动终止，基本已将延时控制在秒级
  
• 　　通过数据输出速率来抑制采集下载速率，从而降低不必要的内存占用
  

　　下载地址：

• 　　Source code (zip)
  
• 　　Source code (tar.gz)