钻月文章采集器-高性能通用网页爬虫-V6.0

本软件为网页通用采集爬虫，无需要配置模板，即可采集全球任何一个网站的全站精华文章。本软件全名为钻月文章采集器，属于网页蜘蛛爬虫类程序，用于从指定网站采集海量精华文章，将直接丢弃其中的垃圾网页信息，仅保存具备阅读价值和浏览价值的精华文章，自动执行HTM-TXT转换，并抽取标题、正文图片、正文等信息。本软件为绿色软件解压即可使用，本软件特点如下： (1)本软件采用北大天网MD5指纹排重算法，对于相似相同的网页信息，直接丢弃，不再重复采集。 (2)采集信息含义：[[HT]]表示网页标题<TITLE>，[[HA]]表示文章标题<H1>，[[HC]]表示本文章中出现频率TOP10的前10个权重关键字，[[UR]]表示网页中的正文图片链接，[[TXT]]之后为正文。 (3)蜘蛛性能：本软件开启300个线程来保证采集效率。通过采集100万精华文章来执行压力测试，以普通网民的联网计算机为参考标准，单台计算机可以在一天内遍历200万网页、采集20万精华文章，100万精华文章仅需5天就可采集完毕。 (4)正式版与免费版的区别在于：正式版允许将采集的精华文章数据自动保存为ACCESS数据库，免费版不能保存数据到数据库。购买正式版请联系QQ(970093569)。 2 操作步骤 (1)使用前，必须确保你的计算机可以连通网络，且防火墙不要拦截本软件。 (2)运行SETUP.EXE和setup2.exe，以安装操作系统system32支持库。 (3)运行spider.exe，输入网址入口，先点"人工添加"按钮，再点"启动"按钮，将开始执行采集。 3 使用注意 (1)抓取深度：填写0表示不限制抓取深度；填写3表示抓到第3层。 (2)通用蜘蛛模式与分类蜘蛛模式的区别：假定网址入口为“http://youxi.baidu.com/”，若选择通用蜘蛛模式，将遍历“baidu.com”里面的每一个网页；若选择分类蜘蛛模式，则只遍历“youxi.baidu.com”里面的每一个网页。 (3)按钮“从MDB导入”：网址入口从TASK.MDB中批量导入。 (4)本软件采集的原则是不越站，例如给的入口是“http://youxi.baidu.com/”，就只在百度站点内部抓取。 (5)本软件采集过程中，偶尔会弹出一个或数个“错误对话框”，请不予理会，倘若关闭“错误对话框”，采集软件就会挂掉。如果软件挂掉，之前已采集的信息，不会丢失。当再次启动软件执行采集，对于以前已采集的信息不会重新采集，可实现良好的增量采集。 (6)使用者如何选择采集题材：例如你若想采集 “股票类”文章，只需把那些“股票类”站点作为网址入口即可。