[工具/软件] 开源通用网络爬虫框架

0 概述

1 Java Spider

spider-flow

spider-flow 是一个爬虫平台，以图形化方式定义爬虫流程，无需代码即可实现一个爬虫

  • Github Star : 7.7K

20230306
https://github.com/ssssssss-team/spider-flow

Webmagic

WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个高效、易维护的爬虫。

特性：
  简单的API，可快速上手
  模块化的结构，可轻松扩展
  提供多线程和分布式支持
  • Github URL : 10.7K

20230306
https://github.com/code4craft/webmagic

Heritrix 3

  • Home URL : heritrix.readthedocs.io/

Heritrix 是一个开源，可扩展的 web 爬虫项目。用户可以使用它来从网上抓取想要的资源。Heritrix 设计成严格按照 robots.txt 文件的排除指示和 META robots 标签。其最出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。

  • Github Star : 2.4K

20230306
https://github.com/internetarchive/heritrix3

Selenium WebDriver

<!-- https://mvnrepository.com/artifact/org.seleniumhq.selenium/selenium-java -->
<dependency>
	<groupId>org.seleniumhq.selenium</groupId>
	<artifactId>selenium-java</artifactId>
	<version>3.0.1</version>
</dependency>
  • docs & demo

爬虫辅助开发类库

  • jsoup

HTML解析工具

  • httpclient / okhttp / ...

http请求工具

2 Python Spider

Scrapy

  • Language : Python
  • GitHub Star : 46.4K

20230306

【简介】
Scrapy 是一种高速的高层 Web 爬取和 Web 采集框架，可用于爬取网站页面，并从页面中抽取结构化数据。
Scrapy 的用途广泛，适用于从数据挖掘、监控到自动化测试。
Scrapy 设计上考虑了从网站抽取特定的信息，它支持使用 CSS 选择器和 XPath 表达式，使开发人员可以聚焦于实现数据抽取。
对于熟悉 Python 的开发人员，只需几分钟就能建立并运行 Scrapy。
支持运行在 Linux、Mac OS 和 Windows 系统上。

【特性】
内置支持从 HTML 和 XML 抽取数据、使用扩展的 CSS 选择器（Selector）和 XPath 表达式等特性。
支持以多种格式（JSON、CSV、XML）生成输出。
基于 Twisted 构建。
稳健的支持，自动检测编码方式。
快速，功能强大。

PySpider

https://github.com/binux/pyspider

PySpider 是一种 Python 编写的强大 Web 爬虫。
它支持 JavaScript 网页，并具有分布式架构。
PySpider 支持将爬取数据存储在用户选定的后台数据库，包括 MySQL, MongoDB, Redis, SQLite, Elasticsearch 等。
支持开发人员使用 RabbitMQ、Beanstalk 和 Redis 等作为消息队列。
提供强大 Web 界面，具有脚本编辑器、任务监控、项目管理器和结果查看器。
支持对重度 Ajax 网站的爬取。
易于实现适用、快速的爬取。

EasySpider

  • URL
  • Intro
  • EasySpider是一款集成了自动化测试、爬虫和数据采集功能的可视化工具。
  • 它基于图形化界面，用户无需编写复杂的代码，通过简单的拖拽和配置即可实现数据的抓取和处理。
  • 无论是进行网站自动化测试，还是对特定数据进行采集和分析，EasySpider都能够轻松应对。
  • 同时，它还可以单独以命令行的方式进行执行，从而可以很方便的嵌入到其他系统中

  • Program Langua: JavaScript + Python

  • Github Star : 28.4K star / 3.3K fork

  • 2024.07.02

Beautifulsoup

Beautiful Soup 一种设计用于实现 Web 爬取等快速数据获取项目的 Python 软件库。
它在设计上处于 HTML 或 XML 解析器之上，提供用于迭代、搜索和修改解析树等功能的 Python 操作原语。往往能为开发人员节省数小时乃至数天的工作。
Beautiful Soup 自动将输入文档转换为 Unicode 编码，并将输出文档转换为 UTF-8 编码。
Beautiful Soup 处于一些广为采用的 Python 解析器（例如，lxml 和 html5lib）之上，支持用户尝试使用多种不同的解析策略，并在速度和灵活性上做出权衡。

Selenium WebDriver

  • 参见本文: Java - Selenium WebDriver

X 参考文献

posted @ 2023-03-06 19:38  千千寰宇  阅读(385)  评论(0)  编辑  收藏  举报