Pholcus 1.2 发布，高并发、分布式爬虫软件

    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

1. 添加kafka数据库输出

2. 基本重新了mysql输出模块，提升输出稳定性与输出效率

3. 增加输出文件目录的配置项

4. 大量优化结果收集模块，提升I/O性能与状态控制性

5. 移除文件输出目录的日期后缀

6. 调整文件名哈希临界长度为>8

7. 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

1. 增强自动转码功能

2. 当响应头未指定编码类型时，从请求头读取

3. 都未指定编码类型或编码类型为utf8时，不做转码，节约内存

4. 增加支持自动解压缩deflate和zlib编码的响应流

5. 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

6. 修复输出图片等文件时，下载补全的bug

7. Context.text字段类型由string改为[]byte

8. 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

1. 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。

2. 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

3. 优化任务停止条件，Spider.Root退出之前，任务不可终止

4. 修复动态规则解析bug

5. 同名采集规则的名称自动添加加"(2)"形式的序号后缀

6. 优化crawler采集引擎的随机停顿逻辑

7. 添加 Context.Log() 日志打印接口

四、其他优化

1. 修复某些情况下在非win系统中log日志引发的panic

2. 修复web版启动时偶然性打不开页面的bug

3. web版实时日志在超过2000条时自定清除前1000条

4. 优化scheduler调度器

5. 调整分布式模块字面量命名

6. 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%

7. 加快任务的主动终止，基本已将延时控制在秒级

8. 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)