StormCrawler - это SDK с открытым исходным кодом для создания распределенных
веб-сканеров с помощью Apache Storm. Проект находится под лицензией Apache v2
и состоит из набора повторно используемых ресурсов и компонентов, написанных в
основном на Java.

Цель StormCrawler - помочь в создании веб-сканеров, которые:

масштабируемый
упругий
низкая задержка
легко продлить
вежливый, но эффективный

StormCrawler - это библиотека и набор ресурсов, которые разработчики могут
использовать для создания собственных сканеров. Хорошей новостью является то,
что это может быть довольно просто. Часто все, что вам нужно сделать, это
объявить storm-crawler как зависимость Maven, написать свой собственный класс
Topology (совет: вы можете расширить ConfigurableTopology), повторно
использовать компоненты, предоставляемые проектом, и, возможно, написать пару
пользовательских. для вашего собственного секретного соуса. Немного настройки
в Конфигурации и все готово!

Помимо основных компонентов, мы предоставляем некоторые внешние ресурсы,
которые вы можете повторно использовать в своем проекте, например, наши изливы
и болты для ElasticSearch или ParserBolt, которые используют Apache Tika для
анализа различных форматов документов.

StormCrawler идеально подходит для случаев, когда URL-адрес для извлечения и
анализа представляет собой потоки, но также является подходящим решением для
крупномасштабных рекурсивных обходов, особенно когда требуется низкая
задержка. Проект используется в производстве несколькими компаниями и активно
развивается и поддерживается.