crawlergo动态爬虫快速入门

crawlergo是一个使用chrome headless模式进行URL入口收集的动态爬虫。  使用Golang语言开发，基于chromedp 进行一些定制化开发后操纵CDP协议，对整个页面关键点进行HOOK，灵活表单填充提交，完整的事件触发，尽可能的收集网站暴露出的入口。同时，依靠智能URL去重模块，在过滤掉了大多数伪静态URL之后，仍然确保不遗漏关键入口链接，大幅减少重复任务。

./crawlergo -c /tmp/chromium/chrome -t 20 htts://www.ywnxs.com

crawlergo 拥有灵活的参数配置，以下是详细的选项说明：

• --chromium-path Path, -c Path chrome的可执行程序路径
• --custom-headers Headers 自定义HTTP头，使用传入json序列化之后的数据，这个是全局定义，将被用于所有请求
• --post-data PostData, -d PostData 提供POST数据，目标使用POST请求方法
• --max-crawled-count Number, -m Number 爬虫最大任务数量，避免因伪静态造成长时间无意义抓取。
• --filter-mode Mode, -f Mode 过滤模式，简单：只过滤静态资源和完全重复的请求。智能：拥有过滤伪静态的能力。严格：更加严格的伪静态过滤规则。
• --output-mode value, -o value 结果输出模式，console：打印当前域名结果。json：打印所有结果的json序列化字符串，可直接被反序列化解析。none：不打印输出。
• --incognito-context, -i 浏览器启动隐身模式
• --max-tab-count Number, -t Number 爬虫同时开启最大标签页，即同时爬取的页面数量。
• --fuzz-path 使用常见路径Fuzz目标，获取更多入口。
• --robots-path 从robots.txt 文件中解析路径，获取更多入口。
• --tab-run-timeout Timeout 单个Tab标签页的最大运行超时。
• --wait-dom-content-loaded-timeout Timeout 爬虫等待页面加载完毕的最大超时。
• --event-trigger-interval Interval 事件自动触发时的间隔时间，一般用于目标网络缓慢，DOM更新冲突时导致的URL漏抓。
• --event-trigger-mode Value 事件自动触发的模式，分为异步和同步，用于DOM更新冲突时导致的URL漏抓。
• --before-exit-delay 单个tab标签页任务结束时，延迟退出关闭chrome的时间，用于等待部分DOM更新和XHR请求的发起捕获。
• --ignore-url-keywords 不想访问的URL关键字，一般用于在携带Cookie访问时排除注销链接。
• --push-to-proxy 拟接收爬虫结果的监听地址，一般为被动扫描器的监听地址。
• --push-pool-max 发送爬虫结果到监听地址时的最大并发数。
• --log-level 打印日志等级，可选 debug, info, warn, error 和 fatal。

原文来自 https://github.com/0Kee-Team/crawlergo