« Changelog History


Pholcus v1.2.0 Release Notes

Release Date: 2016-09-25 // over 7 years ago

  • Pholcus发布1.2版本，占用资源更少，运行更稳定

    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

    1. 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

    0️⃣ 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crawl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