要玩大數(shù)據(jù)，沒(méi)有數(shù)據(jù)怎么玩？這里推薦一些33款開(kāi)源爬蟲(chóng)軟件給大家。
爬蟲(chóng)，即網(wǎng)絡(luò)爬蟲(chóng)，是一種自動(dòng)獲取網(wǎng)頁(yè)內(nèi)容的程序。是搜索引擎的重要組成部分，因此搜索引擎優(yōu)化很大程度上就是針對(duì)爬蟲(chóng)而做出的優(yōu)化。
網(wǎng)絡(luò)爬蟲(chóng)是一個(gè)自動(dòng)提取網(wǎng)頁(yè)的程序，它為搜索引擎從萬(wàn)維網(wǎng)上下載網(wǎng)頁(yè)，是搜索引擎的重要組成。傳統(tǒng)爬蟲(chóng)從一個(gè)或若干初始網(wǎng)頁(yè)的URL開(kāi)始，獲得初始網(wǎng)頁(yè)上的URL，在抓取網(wǎng)頁(yè)的過(guò)程中，不斷從當(dāng)前頁(yè)面上抽取新的URL放入隊(duì)列,直到滿(mǎn)足系統(tǒng)的一定停止條件。聚焦爬蟲(chóng)的工作流程較為復(fù)雜，需要根據(jù)一定的網(wǎng)頁(yè)分析算法過(guò)濾與主題無(wú)關(guān)的鏈接，保留有用的鏈接并將其放入等待抓取的URL隊(duì)列。然后，它將根據(jù)一定的搜索策略從隊(duì)列中選擇下一步要抓取的網(wǎng)頁(yè)URL，并重復(fù)上述過(guò)程，直到達(dá)到系統(tǒng)的某一條件時(shí)停止。另外，所有被爬蟲(chóng)抓取的網(wǎng)頁(yè)將會(huì)被系統(tǒng)存貯，進(jìn)行一定的分析、過(guò)濾，并建立索引，以便之后的查詢(xún)和檢索；對(duì)于聚焦爬蟲(chóng)來(lái)說(shuō)，這一過(guò)程所得到的分析結(jié)果還可能對(duì)以后的抓取過(guò)程給出反饋和指導(dǎo)。
世界上已經(jīng)成型的爬蟲(chóng)軟件多達(dá)上百種，本文對(duì)較為知名及常見(jiàn)的開(kāi)源爬蟲(chóng)軟件進(jìn)行梳理，按開(kāi)發(fā)語(yǔ)言進(jìn)行匯總。雖然搜索引擎也有爬蟲(chóng)，但本次我匯總的只是爬蟲(chóng)軟件，而非大型、復(fù)雜的搜索引擎，因?yàn)楹芏嘈值苤皇窍肱廊?shù)據(jù)，而非運(yùn)營(yíng)一個(gè)搜索引擎。
Java爬蟲(chóng)
1. Arachnid
Arachnid是一個(gè)基于Java的web spider框架.它包含一個(gè)簡(jiǎn)單的HTML剖析器能夠分析包含HTML內(nèi)容的輸入流.通過(guò)實(shí)現(xiàn)Arachnid的子類(lèi)就能夠開(kāi)發(fā)一個(gè)簡(jiǎn)單的Web spiders并能夠在Web站上的每個(gè)頁(yè)面被解析之后增加幾行代碼調(diào)用。 Arachnid的下載包中包含兩個(gè)spider應(yīng)用程序例子用于演示如何使用該框架。
特點(diǎn)：微型爬蟲(chóng)框架，含有一個(gè)小型HTML解析器
許可證：GPL
2、crawlzilla
crawlzilla 是一個(gè)幫你輕松建立搜索引擎的自由軟件，有了它，你就不用依靠商業(yè)公司的搜索引擎，也不用再煩惱公司內(nèi)部網(wǎng)站資料索引的問(wèn)題。
由 nutch 專(zhuān)案為核心，并整合更多相關(guān)套件，并卡發(fā)設(shè)計(jì)安裝與管理UI，讓使用者更方便上手。
crawlzilla 除了爬取基本的 html 外，還能分析網(wǎng)頁(yè)上的文件，如（ doc、pdf、ppt、ooo、rss ）等多種文件格式，讓你的搜索引擎不只是網(wǎng)頁(yè)搜索引擎，而是網(wǎng)站的完整資料索引庫(kù)。
擁有中文分詞能力，讓你的搜索更精準(zhǔn)。
crawlzilla的特色與目標(biāo)，最主要就是提供使用者一個(gè)方便好用易安裝的搜索平臺(tái)。
授權(quán)協(xié)議： Apache License 2
開(kāi)發(fā)語(yǔ)言： Java JavaScript SHELL
操作系統(tǒng)： Linux
項(xiàng)目主頁(yè)： https://github.com/shunfa/crawlzilla
下載地址： http://sourceforge.net/projects/crawlzilla/
特點(diǎn)：安裝簡(jiǎn)易，擁有中文分詞功能
3、Ex-Crawler
Ex-Crawler 是一個(gè)網(wǎng)頁(yè)爬蟲(chóng)，采用 Java 開(kāi)發(fā)，該項(xiàng)目分成兩部分，一個(gè)是守護(hù)進(jìn)程，另外一個(gè)是靈活可配置的 Web 爬蟲(chóng)。使用數(shù)據(jù)庫(kù)存儲(chǔ)網(wǎng)頁(yè)信息。
授權(quán)協(xié)議： GPLv3
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：由守護(hù)進(jìn)程執(zhí)行，使用數(shù)據(jù)庫(kù)存儲(chǔ)網(wǎng)頁(yè)信息
4、Heritrix
Heritrix 是一個(gè)由 java 開(kāi)發(fā)的、開(kāi)源的網(wǎng)絡(luò)爬蟲(chóng)，用戶(hù)可以使用它來(lái)從網(wǎng)上抓取想要的資源。其最出色之處在于它良好的可擴(kuò)展性，方便用戶(hù)實(shí)現(xiàn)自己的抓取邏輯。
Heritrix采用的是模塊化的設(shè)計(jì)，各個(gè)模塊由一個(gè)控制器類(lèi)（CrawlController類(lèi)）來(lái)協(xié)調(diào)，控制器是整體的核心。
代碼托管：https://github.com/internetarchive/heritrix3
授權(quán)協(xié)議： Apache
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：嚴(yán)格遵照robots文件的排除指示和META robots標(biāo)簽
5、heyDr
heyDr是一款基于java的輕量級(jí)開(kāi)源多線(xiàn)程垂直檢索爬蟲(chóng)框架，遵循GNU GPL V3協(xié)議。
用戶(hù)可以通過(guò)heyDr構(gòu)建自己的垂直資源爬蟲(chóng)，用于搭建垂直搜索引擎前期的數(shù)據(jù)準(zhǔn)備。
授權(quán)協(xié)議： GPLv3
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：輕量級(jí)開(kāi)源多線(xiàn)程垂直檢索爬蟲(chóng)框架
6、ItSucks
ItSucks是一個(gè)java web spider（web機(jī)器人，爬蟲(chóng)）開(kāi)源項(xiàng)目。支持通過(guò)下載模板和正則表達(dá)式來(lái)定義下載規(guī)則。提供一個(gè)swing GUI操作界面。
特點(diǎn)：提供swing GUI操作界面
7、jcrawl
jcrawl是一款小巧性能優(yōu)良的的web爬蟲(chóng),它可以從網(wǎng)頁(yè)抓取各種類(lèi)型的文件,基于用戶(hù)定義的符號(hào),比如email,qq.
授權(quán)協(xié)議： Apache
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：輕量、性能優(yōu)良，可以從網(wǎng)頁(yè)抓取各種類(lèi)型的文件
8、JSpider
JSpider是一個(gè)用Java實(shí)現(xiàn)的WebSpider，JSpider的執(zhí)行格式如下：
jspider [ConfigName]
URL一定要加上協(xié)議名稱(chēng)，如：http://，否則會(huì)報(bào)錯(cuò)。如果省掉ConfigName，則采用默認(rèn)配置。
JSpider 的行為是由配置文件具體配置的，比如采用什么插件，結(jié)果存儲(chǔ)方式等等都在conf\[ConfigName]\目錄下設(shè)置。JSpider默認(rèn)的配置種類(lèi) 很少，用途也不大。但是JSpider非常容易擴(kuò)展，可以利用它開(kāi)發(fā)強(qiáng)大的網(wǎng)頁(yè)抓取與數(shù)據(jù)分析工具。要做到這些，需要對(duì)JSpider的原理有深入的了 解，然后根據(jù)自己的需求開(kāi)發(fā)插件，撰寫(xiě)配置文件。
授權(quán)協(xié)議： LGPL
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：功能強(qiáng)大，容易擴(kuò)展
9、Leopdo
用JAVA編寫(xiě)的web 搜索和爬蟲(chóng)，包括全文和分類(lèi)垂直搜索，以及分詞系統(tǒng)
授權(quán)協(xié)議： Apache
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：包括全文和分類(lèi)垂直搜索，以及分詞系統(tǒng)
10、MetaSeeker
是一套完整的網(wǎng)頁(yè)內(nèi)容抓取、格式化、數(shù)據(jù)集成、存儲(chǔ)管理和搜索解決方案。
網(wǎng)絡(luò)爬蟲(chóng)有多種實(shí)現(xiàn)方法，如果按照部署在哪里分，可以分成：
服務(wù)器側(cè)：
一般是一個(gè)多線(xiàn)程程序，同時(shí)下載多個(gè)目標(biāo)HTML，可以用PHP， Java, Python(當(dāng)前很流行）等做，可以速度做得很快，一般綜合搜索引擎的爬蟲(chóng)這樣做。但是，如果對(duì)方討厭爬蟲(chóng)，很可能封掉你的IP，服務(wù)器IP又不容易 改，另外耗用的帶寬也是挺貴的。建議看一下Beautiful soap。
客戶(hù)端：
一般實(shí)現(xiàn)定題爬蟲(chóng)，或者是聚焦爬蟲(chóng)，做綜合搜索引擎不容易成功，而垂直搜訴或者比價(jià)服務(wù)或者推薦引擎，相對(duì)容易很多，這類(lèi)爬蟲(chóng)不是什么頁(yè)面都 取的，而是只取你關(guān)系的頁(yè)面，而且只取頁(yè)面上關(guān)心的內(nèi)容，例如提取黃頁(yè)信息，商品價(jià)格信息，還有提取競(jìng)爭(zhēng)對(duì)手廣告信息的，搜一下Spyfu，很有趣。這類(lèi) 爬蟲(chóng)可以部署很多，而且可以很有侵略性，對(duì)方很難封鎖。
MetaSeeker中的網(wǎng)絡(luò)爬蟲(chóng)就屬于后者。
MetaSeeker工具包利用Mozilla平臺(tái)的能力，只要是Firefox看到的東西，它都能提取。
MetaSeeker工具包是免費(fèi)使用的，下載地址：www.gooseeker.com/cn/node/download/front
特點(diǎn)：網(wǎng)頁(yè)抓取、信息提取、數(shù)據(jù)抽取工具包，操作簡(jiǎn)單
11、Playfish
playfish是一個(gè)采用java技術(shù)，綜合應(yīng)用多個(gè)開(kāi)源java組件實(shí)現(xiàn)的網(wǎng)頁(yè)抓取工具，通過(guò)XML配置文件實(shí)現(xiàn)高度可定制性與可擴(kuò)展性的網(wǎng)頁(yè)抓取工具
應(yīng)用開(kāi)源jar包包括httpclient(內(nèi)容讀取),dom4j（配置文件解析）,jericho（html解析），已經(jīng)在 war包的lib下。
這個(gè)項(xiàng)目目前還很不成熟，但是功能基本都完成了。要求使用者熟悉XML，熟悉正則表達(dá)式。目前通過(guò)這個(gè)工具可以抓取各類(lèi)論壇，貼吧，以及各類(lèi)CMS系統(tǒng)。像Discuz!,phpbb,論壇跟博客的文章，通過(guò)本工具都可以輕松抓取。抓取定義完全采用XML，適合Java開(kāi)發(fā)人員使用。
使用方法：
下載右邊的.war包導(dǎo)入到eclipse中，
使用WebContent/sql下的wcc.sql文件建立一個(gè)范例數(shù)據(jù)庫(kù)，
修改src包下wcc.core的dbConfig.txt，將用戶(hù)名與密碼設(shè)置成你自己的mysql用戶(hù)名密碼。
然后運(yùn)行SystemCore,運(yùn)行時(shí)候會(huì)在控制臺(tái)，無(wú)參數(shù)會(huì)執(zhí)行默認(rèn)的example.xml的配置文件，帶參數(shù)時(shí)候名稱(chēng)為配置文件名。
系統(tǒng)自帶了3個(gè)例子，分別為baidu.xml抓取百度知道，example.xml抓取我的javaeye的博客，bbs.xml抓取一個(gè)采用 discuz論壇的內(nèi)容。
授權(quán)協(xié)議： MIT
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：通過(guò)XML配置文件實(shí)現(xiàn)高度可定制性與可擴(kuò)展性
12、Spiderman
Spiderman 是一個(gè)基于微內(nèi)核+插件式架構(gòu)的網(wǎng)絡(luò)蜘蛛，它的目標(biāo)是通過(guò)簡(jiǎn)單的方法就能將復(fù)雜的目標(biāo)網(wǎng)頁(yè)信息抓取并解析為自己所需要的業(yè)務(wù)數(shù)據(jù)。
怎么使用？
首先，確定好你的目標(biāo)網(wǎng)站以及目標(biāo)網(wǎng)頁(yè)（即某一類(lèi)你想要獲取數(shù)據(jù)的網(wǎng)頁(yè)，例如網(wǎng)易新聞的新聞頁(yè)面）
然后，打開(kāi)目標(biāo)頁(yè)面，分析頁(yè)面的HTML結(jié)構(gòu)，得到你想要數(shù)據(jù)的XPath，具體XPath怎么獲取請(qǐng)看下文。
最后，在一個(gè)xml配置文件里填寫(xiě)好參數(shù)，運(yùn)行Spiderman吧！
授權(quán)協(xié)議： Apache
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：靈活、擴(kuò)展性強(qiáng)，微內(nèi)核+插件式架構(gòu)，通過(guò)簡(jiǎn)單的配置就可以完成數(shù)據(jù)抓取，無(wú)需編寫(xiě)一句代碼
13、webmagic
webmagic的是一個(gè)無(wú)須配置、便于二次開(kāi)發(fā)的爬蟲(chóng)框架，它提供簡(jiǎn)單靈活的API，只需少量代碼即可實(shí)現(xiàn)一個(gè)爬蟲(chóng)。
webmagic采用完全模塊化的設(shè)計(jì)，功能覆蓋整個(gè)爬蟲(chóng)的生命周期(鏈接提取、頁(yè)面下載、內(nèi)容抽取、持久化)，支持多線(xiàn)程抓取，分布式抓取，并支持自動(dòng)重試、自定義UA/cookie等功能。
webmagic包含強(qiáng)大的頁(yè)面抽取功能，開(kāi)發(fā)者可以便捷的使用css selector、xpath和正則表達(dá)式進(jìn)行鏈接和內(nèi)容的提取，支持多個(gè)選擇器鏈?zhǔn)秸{(diào)用。
webmagic的使用文檔：http://webmagic.io/docs/
查看源代碼：http://git.oschina.net/flashsword20/webmagic
授權(quán)協(xié)議： Apache
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：功能覆蓋整個(gè)爬蟲(chóng)生命周期，使用Xpath和正則表達(dá)式進(jìn)行鏈接和內(nèi)容的提取。
備注：這是一款國(guó)產(chǎn)開(kāi)源軟件，由 黃億華貢獻(xiàn)
14、Web-Harvest
Web-Harvest是一個(gè)Java開(kāi)源Web數(shù)據(jù)抽取工具。它能夠收集指定的Web頁(yè)面并從這些頁(yè)面中提取有用的數(shù)據(jù)。Web-Harvest主要是運(yùn)用了像XSLT,XQuery,正則表達(dá)式等這些技術(shù)來(lái)實(shí)現(xiàn)對(duì)text/xml的操作。
其實(shí)現(xiàn)原理是，根據(jù)預(yù)先定義的配置文件用httpclient獲取頁(yè)面的全部?jī)?nèi)容（關(guān)于httpclient的內(nèi)容，本博有些文章已介紹），然后運(yùn)用XPath、XQuery、正則表達(dá)式等這些技術(shù)來(lái)實(shí)現(xiàn)對(duì)text/xml的內(nèi)容篩選操作，選取精確的數(shù)據(jù)。前兩年比較火的垂直搜索（比如：酷訊等）也是采用類(lèi)似的原理實(shí)現(xiàn)的。Web-Harvest應(yīng)用，關(guān)鍵就是理解和定義配置文件，其他的就是考慮怎么處理數(shù)據(jù)的Java代碼。當(dāng)然在爬蟲(chóng)開(kāi)始前，也可以把Java變量填充到配置文件中，實(shí)現(xiàn)動(dòng)態(tài)的配置。
授權(quán)協(xié)議： BSD
開(kāi)發(fā)語(yǔ)言： Java
特點(diǎn)：運(yùn)用XSLT、XQuery、正則表達(dá)式等技術(shù)來(lái)實(shí)現(xiàn)對(duì)Text或XML的操作，具有可視化的界面
15、WebSPHINX
WebSPHINX是一個(gè)Java類(lèi)包和Web爬蟲(chóng)的交互式開(kāi)發(fā)環(huán)境。Web爬蟲(chóng)(也叫作機(jī)器人或蜘蛛)是可以自動(dòng)瀏覽與處理Web頁(yè)面的程序。WebSPHINX由兩部分組成：爬蟲(chóng)工作平臺(tái)和WebSPHINX類(lèi)包。
授權(quán)協(xié)議：Apache
開(kāi)發(fā)語(yǔ)言：Java
特點(diǎn)：由兩部分組成：爬蟲(chóng)工作平臺(tái)和WebSPHINX類(lèi)包
16、YaCy
YaCy基于p2p的分布式Web搜索引擎.同時(shí)也是一個(gè)Http緩存代理服務(wù)器.這個(gè)項(xiàng)目是構(gòu)建基于p2p Web索引網(wǎng)絡(luò)的一個(gè)新方法.它可以搜索你自己的或全局的索引,也可以Crawl自己的網(wǎng)頁(yè)或啟動(dòng)分布式Crawling等.
授權(quán)協(xié)議： GPL
開(kāi)發(fā)語(yǔ)言： Java Perl
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：基于P2P的分布式Web搜索引擎
Python爬蟲(chóng)
17、QuickRecon
QuickRecon是一個(gè)簡(jiǎn)單的信息收集工具,它可以幫助你查找子域名名稱(chēng)、perform zone transfe、收集電子郵件地址和使用microformats尋找人際關(guān)系等。QuickRecon使用python編寫(xiě)，支持linux和 windows操作系統(tǒng)。
授權(quán)協(xié)議： GPLv3
開(kāi)發(fā)語(yǔ)言： Python
操作系統(tǒng)： Windows Linux
特點(diǎn)：具有查找子域名名稱(chēng)、收集電子郵件地址并尋找人際關(guān)系等功能
18、PyRailgun
這是一個(gè)非常簡(jiǎn)單易用的抓取工具。支持抓取javascript渲染的頁(yè)面的簡(jiǎn)單實(shí)用高效的python網(wǎng)頁(yè)爬蟲(chóng)抓取模塊
授權(quán)協(xié)議： MIT
開(kāi)發(fā)語(yǔ)言： Python
操作系統(tǒng)： 跨平臺(tái) Windows Linux OS X
特點(diǎn)：簡(jiǎn)潔、輕量、高效的網(wǎng)頁(yè)抓取框架
備注：此軟件也是由國(guó)人開(kāi)放
github下載：https://github.com/princehaku/pyrailgun#readme
19、Scrapy
Scrapy 是一套基于基于Twisted的異步處理框架，純python實(shí)現(xiàn)的爬蟲(chóng)框架，用戶(hù)只需要定制開(kāi)發(fā)幾個(gè)模塊就可以輕松的實(shí)現(xiàn)一個(gè)爬蟲(chóng)，用來(lái)抓取網(wǎng)頁(yè)內(nèi)容以及各種圖片，非常之方便～
授權(quán)協(xié)議： BSD
開(kāi)發(fā)語(yǔ)言： Python
操作系統(tǒng)： 跨平臺(tái)
github源代碼：https://github.com/scrapy/scrapy
特點(diǎn)：基于Twisted的異步處理框架，文檔齊全
C++爬蟲(chóng)
20、hispider
HiSpider is a fast and high performance spider with high speed
嚴(yán)格說(shuō)只能是一個(gè)spider系統(tǒng)的框架, 沒(méi)有細(xì)化需求, 目前只是能提取URL, URL排重, 異步DNS解析, 隊(duì)列化任務(wù), 支持N機(jī)分布式下載, 支持網(wǎng)站定向下載(需要配置hispiderd.ini whitelist).
特征和用法:
基于unix/linux系統(tǒng)的開(kāi)發(fā)
異步DNS解析
URL排重
支持HTTP 壓縮編碼傳輸 gzip/deflate
字符集判斷自動(dòng)轉(zhuǎn)換成UTF-8編碼
文檔壓縮存儲(chǔ)
支持多下載節(jié)點(diǎn)分布式下載
支持網(wǎng)站定向下載(需要配置 hispiderd.ini whitelist )
可通過(guò) http://127.0.0.1:3721/ 查看下載情況統(tǒng)計(jì),下載任務(wù)控制(可停止和恢復(fù)任務(wù))
依賴(lài)基本通信庫(kù)libevbase 和 libsbase (安裝的時(shí)候需要先安裝這個(gè)兩個(gè)庫(kù))、
工作流程:
從中心節(jié)點(diǎn)取URL(包括URL對(duì)應(yīng)的任務(wù)號(hào), IP和port,也可能需要自己解析)
連接服務(wù)器發(fā)送請(qǐng)求
等待數(shù)據(jù)頭判斷是否需要的數(shù)據(jù)(目前主要取text類(lèi)型的數(shù)據(jù))
等待完成數(shù)據(jù)(有l(wèi)ength頭的直接等待說(shuō)明長(zhǎng)度的數(shù)據(jù)否則等待比較大的數(shù)字然后設(shè)置超時(shí))
數(shù)據(jù)完成或者超時(shí), zlib壓縮數(shù)據(jù)返回給中心服務(wù)器,數(shù)據(jù)可能包括自己解析DNS信息, 壓縮后數(shù)據(jù)長(zhǎng)度+壓縮后數(shù)據(jù), 如果出錯(cuò)就直接返回任務(wù)號(hào)以及相關(guān)信息
中心服務(wù)器收到帶有任務(wù)號(hào)的數(shù)據(jù), 查看是否包括數(shù)據(jù), 如果沒(méi)有數(shù)據(jù)直接置任務(wù)號(hào)對(duì)應(yīng)的狀態(tài)為錯(cuò)誤, 如果有數(shù)據(jù)提取數(shù)據(jù)種link 然后存儲(chǔ)數(shù)據(jù)到文檔文件.
完成后返回一個(gè)新的任務(wù).
授權(quán)協(xié)議： BSD
開(kāi)發(fā)語(yǔ)言： C/C++
操作系統(tǒng)： Linux
特點(diǎn)：支持多機(jī)分布式下載, 支持網(wǎng)站定向下載
21、larbin
larbin是一種開(kāi)源的網(wǎng)絡(luò)爬蟲(chóng)/網(wǎng)絡(luò)蜘蛛，由法國(guó)的年輕人 Sébastien Ailleret獨(dú)立開(kāi)發(fā)。larbin目的是能夠跟蹤頁(yè)面的url進(jìn)行擴(kuò)展的抓取，最后為搜索引擎提供廣泛的數(shù)據(jù)來(lái)源。Larbin只是一個(gè)爬蟲(chóng)，也就 是說(shuō)larbin只抓取網(wǎng)頁(yè)，至于如何parse的事情則由用戶(hù)自己完成。另外，如何存儲(chǔ)到數(shù)據(jù)庫(kù)以及建立索引的事情 larbin也不提供。一個(gè)簡(jiǎn)單的larbin的爬蟲(chóng)可以每天獲�。担埃叭f(wàn)的網(wǎng)頁(yè)。
利用larbin，我們可以輕易的獲取/確定單個(gè)網(wǎng)站的所有鏈接，甚至可以鏡像一個(gè)網(wǎng)站；也可以用它建立url 列表群，例如針對(duì)所有的網(wǎng)頁(yè)進(jìn)行 url retrive后，進(jìn)行xml的聯(lián)結(jié)的獲取�；蛘呤� mp3，或者定制larbin，可以作為搜索引擎的信息的來(lái)源。
授權(quán)協(xié)議： GPL
開(kāi)發(fā)語(yǔ)言： C/C++
操作系統(tǒng)： Linux
特點(diǎn)：高性能的爬蟲(chóng)軟件，只負(fù)責(zé)抓取不負(fù)責(zé)解析
22、Methabot
Methabot 是一個(gè)經(jīng)過(guò)速度優(yōu)化的高可配置的 WEB、FTP、本地文件系統(tǒng)的爬蟲(chóng)軟件。
授權(quán)協(xié)議： 未知
開(kāi)發(fā)語(yǔ)言： C/C++
操作系統(tǒng)： Windows Linux
特點(diǎn)：過(guò)速度優(yōu)化、可抓取WEB、FTP及本地文件系統(tǒng)
源代碼：http://www.oschina.net/code/tag/methabot
C#爬蟲(chóng)
23、NWebCrawler
NWebCrawler是一款開(kāi)源，C#開(kāi)發(fā)網(wǎng)絡(luò)爬蟲(chóng)程序。
特性：
可配置：線(xiàn)程數(shù)，等待時(shí)間，連接超時(shí)，允許MIME類(lèi)型和優(yōu)先級(jí)，下載文件夾。
統(tǒng)計(jì)信息：URL數(shù)量，總下載文件，總下載字節(jié)數(shù)，CPU利用率和可用內(nèi)存。
Preferential crawler：用戶(hù)可以設(shè)置優(yōu)先級(jí)的MIME類(lèi)型。
Robust: 10+ URL normalization rules, crawler trap avoiding rules.
授權(quán)協(xié)議： GPLv2
開(kāi)發(fā)語(yǔ)言： C#
操作系統(tǒng)： Windows
項(xiàng)目主頁(yè)：http://www.open-open.com/lib/view/home/1350117470448
特點(diǎn)：統(tǒng)計(jì)信息、執(zhí)行過(guò)程可視化
24、Sinawler
國(guó)內(nèi)第一個(gè)針對(duì)微博數(shù)據(jù)的爬蟲(chóng)程序！原名“新浪微博爬蟲(chóng)”。
登錄后，可以指定用戶(hù)為起點(diǎn)，以該用戶(hù)的關(guān)注人、粉絲為線(xiàn)索，延人脈關(guān)系搜集用戶(hù)基本信息、微博數(shù)據(jù)、評(píng)論數(shù)據(jù)。
該應(yīng)用獲取的數(shù)據(jù)可作為科研、與新浪微博相關(guān)的研發(fā)等的數(shù)據(jù)支持，但請(qǐng)勿用于商業(yè)用途。該應(yīng)用基于.NET2.0框架，需SQL SERVER作為后臺(tái)數(shù)據(jù)庫(kù)，并提供了針對(duì)SQL Server的數(shù)據(jù)庫(kù)腳本文件。
另外，由于新浪微博API的限制，爬取的數(shù)據(jù)可能不夠完整（如獲取粉絲數(shù)量的限制、獲取微博數(shù)量的限制等）
本程序版權(quán)歸作者所有。你可以免費(fèi): 拷貝、分發(fā)、呈現(xiàn)和表演當(dāng)前作品,制作派生作品。 你不可將當(dāng)前作品用于商業(yè)目的。
5.x版本已經(jīng)發(fā)布！ 該版本共有6個(gè)后臺(tái)工作線(xiàn)程：爬取用戶(hù)基本信息的機(jī)器人、爬取用戶(hù)關(guān)系的機(jī)器人、爬取用戶(hù)標(biāo)簽的機(jī)器人、爬取微博內(nèi)容的機(jī)器人、爬取微博評(píng)論的機(jī)器人，以及調(diào)節(jié)請(qǐng)求頻率的機(jī)器人。更高的性能！最大限度挖掘爬蟲(chóng)潛力！ 以現(xiàn)在測(cè)試的結(jié)果看，已經(jīng)能夠滿(mǎn)足自用。
本程序的特點(diǎn)：
6個(gè)后臺(tái)工作線(xiàn)程，最大限度挖掘爬蟲(chóng)性能潛力！
界面上提供參數(shù)設(shè)置，靈活方便
拋棄app.config配置文件，自己實(shí)現(xiàn)配置信息的加密存儲(chǔ)，保護(hù)數(shù)據(jù)庫(kù)帳號(hào)信息
自動(dòng)調(diào)整請(qǐng)求頻率，防止超限，也避免過(guò)慢，降低效率
任意對(duì)爬蟲(chóng)控制，可隨時(shí)暫停、繼續(xù)、停止爬蟲(chóng)
良好的用戶(hù)體驗(yàn)
授權(quán)協(xié)議： GPLv3
開(kāi)發(fā)語(yǔ)言： C# .NET
操作系統(tǒng)： Windows
25、spidernet
spidernet是一個(gè)以遞歸樹(shù)為模型的多線(xiàn)程web爬蟲(chóng)程序, 支持text/html資源的獲取. 可以設(shè)定爬行深度, 最大下載字節(jié)數(shù)限制, 支持gzip解碼, 支持以gbk(gb2312)和utf8編碼的資源; 存儲(chǔ)于sqlite數(shù)據(jù)文件.
源碼中TODO:標(biāo)記描述了未完成功能, 希望提交你的代碼.
授權(quán)協(xié)議： MIT
開(kāi)發(fā)語(yǔ)言： C#
操作系統(tǒng)： Windows
github源代碼：https://github.com/nsnail/spidernet
特點(diǎn)：以遞歸樹(shù)為模型的多線(xiàn)程web爬蟲(chóng)程序，支持以GBK (gb2312)和utf8編碼的資源，使用sqlite存儲(chǔ)數(shù)據(jù)
26、Web Crawler
mart and Simple Web Crawler是一個(gè)Web爬蟲(chóng)框架。集成Lucene支持。該爬蟲(chóng)可以從單個(gè)鏈接或一個(gè)鏈接數(shù)組開(kāi)始，提供兩種遍歷模式：最大迭代和最大深度�？梢栽O(shè)置 過(guò)濾器限制爬回來(lái)的鏈接，默認(rèn)提供三個(gè)過(guò)濾器ServerFilter、BeginningPathFilter和 RegularExpressionFilter，這三個(gè)過(guò)濾器可用AND、OR和NOT聯(lián)合。在解析過(guò)程或頁(yè)面加載前后都可以加******。介紹內(nèi)容來(lái)自O(shè)pen-Open
開(kāi)發(fā)語(yǔ)言： Java
操作系統(tǒng)： 跨平臺(tái)
授權(quán)協(xié)議： LGPL
特點(diǎn)：多線(xiàn)程，支持抓取PDF/DOC/EXCEL等文檔來(lái)源
27、網(wǎng)絡(luò)礦工
網(wǎng)站數(shù)據(jù)采集軟件 網(wǎng)絡(luò)礦工采集器（原soukey采摘）
Soukey采摘網(wǎng)站數(shù)據(jù)采集軟件是一款基于.Net平臺(tái)的開(kāi)源軟件，也是網(wǎng)站數(shù)據(jù)采集軟件類(lèi)型中唯一一款開(kāi)源軟件。盡管Soukey采摘開(kāi)源，但并不會(huì)影響軟件功能的提供，甚至要比一些商用軟件的功能還要豐富。
授權(quán)協(xié)議： BSD
開(kāi)發(fā)語(yǔ)言： C# .NET
操作系統(tǒng)： Windows
特點(diǎn)：功能豐富，毫不遜色于商業(yè)軟件
PHP爬蟲(chóng)
28、OpenWebSpider
OpenWebSpider是一個(gè)開(kāi)源多線(xiàn)程Web Spider（robot：機(jī)器人，crawler：爬蟲(chóng))和包含許多有趣功能的搜索引擎。
授權(quán)協(xié)議： 未知
開(kāi)發(fā)語(yǔ)言： PHP
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：開(kāi)源多線(xiàn)程網(wǎng)絡(luò)爬蟲(chóng)，有許多有趣的功能
29、PhpDig
PhpDig是一個(gè)采用PHP開(kāi)發(fā)的Web爬蟲(chóng)和搜索引擎。通過(guò)對(duì)動(dòng)態(tài)和靜態(tài)頁(yè)面進(jìn)行索引建立一個(gè)詞匯表。當(dāng)搜索查詢(xún)時(shí)，它將按一定的排序規(guī)則顯示包含關(guān) 鍵字的搜索結(jié)果頁(yè)面。PhpDig包含一個(gè)模板系統(tǒng)并能夠索引PDF,Word,Excel,和PowerPoint文檔。PHPdig適用于專(zhuān)業(yè)化更 強(qiáng)、層次更深的個(gè)性化搜索引擎，利用它打造針對(duì)某一領(lǐng)域的垂直搜索引擎是最好的選擇。
演示：http://www.phpdig.net/navigation.php?action=demo
授權(quán)協(xié)議： GPL
開(kāi)發(fā)語(yǔ)言： PHP
操作系統(tǒng)： 跨平臺(tái)
特點(diǎn)：具有采集網(wǎng)頁(yè)內(nèi)容、提交表單功能
30、ThinkUp
ThinkUp 是一個(gè)可以采集推特，facebook等社交網(wǎng)絡(luò)數(shù)據(jù)的社會(huì)媒體視角引擎。通過(guò)采集個(gè)人的社交網(wǎng)絡(luò)賬號(hào)中的數(shù)據(jù)，對(duì)其存檔以及處理的交互分析工具，并將數(shù)據(jù)圖形化以便更直觀(guān)的查看。
授權(quán)協(xié)議： GPL
開(kāi)發(fā)語(yǔ)言： PHP
操作系統(tǒng)： 跨平臺(tái)
github源碼：https://github.com/ThinkUpLLC/ThinkUp
特點(diǎn)：采集推特、臉譜等社交網(wǎng)絡(luò)數(shù)據(jù)的社會(huì)媒體視角引擎，可進(jìn)行交互分析并將結(jié)果以可視化形式展現(xiàn)
31、微購(gòu)
微購(gòu)社會(huì)化購(gòu)物系統(tǒng)是一款基于ThinkPHP框架開(kāi)發(fā)的開(kāi)源的購(gòu)物分享系統(tǒng)，同時(shí)它也是一套針對(duì)站長(zhǎng)、開(kāi)源的的淘寶客網(wǎng)站程序，它整合了淘寶、天貓、淘寶客等300多家商品數(shù)據(jù)采集接口，為廣大的淘寶客站長(zhǎng)提供傻瓜式淘客建站服務(wù)，會(huì)HTML就會(huì)做程序模板，免費(fèi)開(kāi)放下載，是廣大淘客站長(zhǎng)的首選。
演示網(wǎng)址：http://tlx.wego360.com
授權(quán)協(xié)議： GPL
開(kāi)發(fā)語(yǔ)言： PHP
操作系統(tǒng)： 跨平臺(tái)
ErLang爬蟲(chóng)
32、Ebot
Ebot 是一個(gè)用 ErLang 語(yǔ)言開(kāi)發(fā)的可伸縮的分布式網(wǎng)頁(yè)爬蟲(chóng)，URLs 被保存在數(shù)據(jù)庫(kù)中可通過(guò) RESTful 的 HTTP 請(qǐng)求來(lái)查詢(xún)。
授權(quán)協(xié)議： GPLv3
開(kāi)發(fā)語(yǔ)言： ErLang
操作系統(tǒng)： 跨平臺(tái)
github源代碼：https://github.com/matteoredaelli/ebot
項(xiàng)目主頁(yè)： http://www.redaelli.org/matteo/blog/projects/ebot
特點(diǎn)：可伸縮的分布式網(wǎng)頁(yè)爬蟲(chóng)
Ruby爬蟲(chóng)
33、Spidr
Spidr 是一個(gè)Ruby 的網(wǎng)頁(yè)爬蟲(chóng)庫(kù)，可以將整個(gè)網(wǎng)站、多個(gè)網(wǎng)站、某個(gè)鏈接完全抓取到本地。
開(kāi)發(fā)語(yǔ)言： Ruby
授權(quán)協(xié)議：MIT
特點(diǎn)：可將一個(gè)或多個(gè)網(wǎng)站、某個(gè)鏈接完全抓取到本地
本文由36大數(shù)據(jù)收集整理
|
收藏