五十种最好的开源爬虫

Python编写的开源Web爬虫

1. Scrapy

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。

– 官方文档：https://docs.scrapy.org/en/latest/

– 官方网站：https://scrapy.org/

2. Cola

简介：

  • Cola是一种高层分布式爬取框架，实现从网站爬取网页，并从中抽取结构化数据。
  • 它提供了一种实现目标数据获取的简单且灵活的方式。
  • 用户只需要编写其中一部分代码，就可在本地和分布式环境下运行。

特性：

  • 高层分布式爬取框架。
  • 简单且高速。
  • 灵活。

– 官方文档：https://github.com/chineking/cola

– 官方网站：https://pypi.org/project/Cola/

3. Crawley

简介：

  • Crawley是一种Python爬取和采集框架，意在简化开发人员从Web网页抽取数据到数据库等结构化存储中。

特性：

  • 基于Eventlet构建的高速Web爬虫。
  • 支持MySQL、PostgreSQL、Oracle、Sqlite等关系数据库引擎。
  • 支持MongoDB、CouchDB等NoSQL数据库（最新特性！）。
  • 支持导出数据为JSON、XML和CSV格式（最新特性！）。
  • 命令行工具。
  • 支持开发人员使用自己喜好的工具，例如XPath或Pyquery（一种类似于JQuery的Python软件库）等。
  • 支持Cookie处理器（Handler）。

– 官方文档：https://pythonhosted.org/crawley/

– 官方网站：http://project.crawley-cloud.com/

4. MechanicalSoup

简介：

  • MechanicalSoup是一种设计模拟人类使用Web浏览器行为的Python软件库，它基于解析软件库BeautifulSoup构建。
  • 如果开发人员需要从单个站点采集数据，或是不需要大量数据采集，那么使用MechanicalSoup是一种简单高效的方法。
  • MechanicalSoup自动存储和发送Cookie、跟踪重定向、支持链接跟随和提交表单。

特性：

  • 轻量级。
  • 支持Cookie处理器。

– 官方文档： https://mechanicalsoup.readthedocs.io/en/stable/

– 官方网站：https://mechanicalsoup.readthedocs.io/

5. PySpider

简介：

  • 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。

特性：

  • 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。

– 官方文档： http://docs.pyspider.org/

– 官方网站：https://github.com/binux/pyspider

6. Portia

简介：

  • Portia是由Scrapinghub创建的一种可视化爬取工具，它不需要用户具有任何程序开发知识。
  • 如果用户并非开发人员，最好直接使用Portia实现Web爬取需求。
  • 用户无需任何安装就可免费试用Portia，只需要在Scrapinghub注册一个账户，就可使用托管版本。
  • 即便用户没有编程技能，在Portia中创建爬虫并抽取Web内容也是非常易于实现的。
  • 用户无需安装任何程序，因为Portia是运行在Web页面上的。
  • 用户可以使用Portia的基本点击工具标注需要爬取的数据，然后Portia就会根据这些标注理解如何爬取类似页面中的数据。
  • 一旦检测到需要爬取的页面，Portia会形成一个用户已创建结构的实例。

特性：

  • 通过记录并回放用户在页面上的操作，实现点击、拖动和等待等动作。
  • Portia可以很好地爬取基于Ajax构建的网站（基于Splash），也适用于爬取Backbone、Angular和Ember等重度JavsScript框架。

– 官方文档：https://portia.readthedocs.io/en/latest/index.html

– 官方网站： https://github.com/scrapinghub/portia

7. Beautifulsoup

简介：

  • 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。

特性：

  • 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。

– 官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

– 官方网站： https://www.crummy.com/software/BeautifulSoup/

8. Spidy爬虫

简介：

  • Spidy是一种从命令行运行的Web爬虫。易于使用。用户只需提供Web网页的URL链接，Spidy就可以开始爬取！Spidy无疑是一种整体爬取Web的简单有效的方式。
  • Spidy使用Python请求查询Web页面，并使用lxml抽取页面中的所有链接。非常简单！

特性：

  • 错误处理。
  • 跨平台兼容性。
  • 频繁时间戳日志。
  • 可移植性。
  • 用户友好的日志。
  • 保存Web页面。
  • 支持文件压缩。

– 官方文档：https://github.com/rivermont/spidy

– 官方网站： http://project.crawley-cloud.com/

9. Garb

简介：

  • Grab是一种用于构建爬虫的Python框架。
  • 使用Grab可构建出各种复杂度的Web爬虫，从只有五行代码的脚本，到可处理百万量级Web页面的复杂异步爬虫。
  • Grab提供了执行网络请求、处理接收内容的API。例如，实现与HTML文档的DOM树进行交互。

特性：

  • 支持HTTP和SOCKS代理，可使用也可不使用认证。
  • 自动字符集检测。
  • 强大的API，支持使用XPath查询从HTML文档的DOM树中抽取数据。
  • 自动Cookie（或会话）支持。

– 官方文档：https://grablib.org/en/latest/

– 官方网站： https://github.com/lorien/grab

Java编写的开源Web爬虫

10. Apache Nutch

简介：

  • Apache Nutch是一种高度可扩展、可伸缩的开源Web爬虫软件项目。
  • 如果要列出最好的开源Web爬虫列表，Apache Nutch无疑金榜题名。
  • 作为一种用于数据挖掘的高度可扩展、可伸缩的开源代码Web数据抽取软件项目，Apache Nutch得到了广泛的使用。
  • Nutch支持单机运行，但是在Hadoop集群上运行可最大化地发挥其强大能力。
  • 全球范围内很多数据分析人员和科研人员、应用开发人员和Web文本挖掘工程师都在使用Apache Nutch。
  • Apache Nutch是一种Java编写的跨平台解决方案。

特性：

  • 默认情况下，爬取数据和分析数据是独立的过程。
  • 广泛支持多种文档格式，包括纯文本、HTML/XHTML+XML、XML、PDF、ZIP等。
  • 使用XPath和命名空间实现映射。
  • 通过Hadoop支持分布式文件系统。
  • 链接图形式的数据库。
  • 支持NTLM认证。

– 官方文档： https://wiki.apache.org/nutch/

– 官方网站： http://nutch.apache.org/

11. Heritrix

简介：

  • 在使用Java编写的免费开源Web爬虫中，Heritrix是其中一种得到广泛使用的工具。事实上，它是一种可扩展、Web规模、存档质量（archival-quality）的Web爬取项目。
  • Heritrix是一种扩展能力和性能很好的解决方案，支持用户即刻爬取并归档一组网站。此外，它在设计上考虑了robots.txt禁止规则和META机器人标签。
  • Heritrix可运行在Linux/Unix和Windows系统上。

特性：

  • HTTP认证。
  • NTLM认证。
  • 链接抽取中的XSL转换。
  • 独立于搜索引擎。
  • 是一种成熟并稳定的平台。
  • 高度可配置。
  • 支持在任一机器上运行。

– 官方文档： https://github.com/internetarchive/heritrix3/wiki/Heritrix%203.0%20and%203.1%20User%20Guide

– 官方网站： https://github.com/internetarchive/heritrix3b

12. ACHE爬虫

简介：

  • ACHE是一种专用于特定用途的Web爬虫。
  • ACHE爬取满足特定标准的Web页面。例如，属于特定领域并包含用户指定模式的页面。
  • 不同于通用爬虫，ACHE使用页面分类器遴选特定领域中的相关和无关页面。
  • 页面分类器可以是基本的正则表达式（例如，匹配所有包含给定单词的页面），也可以基于机器学习的分类模型。ACHE也可以自动学习如何对链接做优先处理，实现高效地定位相关内容，避免检索无关的页面内容。

特性：

  • 对固定网站列表的正常爬取。
  • 通过自动链接优先处理，发现并爬取新的相关网站。
  • 可配置不同类型的页面分类器（例如，机器学习、正则表达式等）。
  • 持续重新爬取站点，实现页面更新的发现。
  • 使用ElasticSearch对爬取页面做索引。
  • 实时搜索爬取页面的Web接口。
  • 用于监控爬虫的REST API和基于Web的用户接口。
  • 使用TOR代理爬取隐含服务。

– 官方文档： http://ache.readthedocs.io/en/latest/

– 官方网站： https://github.com/ViDA-NYU/ache

13. Crawler4j

简介：

  • crawler4j是一种Java编写的开源Web爬虫，提供了爬取Web网站的基本接口。
  • 开发人员可以使用crawler4j在数分钟内建立一个多线程Web爬虫。

– 官方文档： https://github.com/yasserg/crawler4j

– 官方网站： https://github.com/yasserg/crawler4j

14. Gecco

简介：

  • Gecco是一种使用Java开发的轻量级Web爬虫，易于使用。
  • Gecco集成了jsoup、httpclient、fastjson、spring、htmlunit、redission等优秀框架。用户只需要配置一系列jQuery风格选择器，就能很快地建立一个爬虫。
  • Gecco框架具有优秀的扩展能力。框架基于一些开放式和封闭式设计原则，对改进封闭，对扩展开放。

特性：

  • 易于使用，使用jQuery风格选择器抽取元素。
  • 支持页面中的异步Ajax请求。
  • 支持页面JavaScript变量抽取。
  • 使用Redis实现分布式爬取（参见gecco-redis文档）。
  • 支持使用Spring开发业务逻辑（参见gecco-spring文档）。
  • 支持htmlunit扩展（参见gecco-htmlunit文档）。
  • 支持多种扩展机制。
  • 支持下载UserAgent的随机选择。
  • 支持下载代理服务器的随机选取。

– 官方文档： https://github.com/xtuhcy/gecco

– 官方网站： https://github.com/xtuhcy/gecco

15. BUbiNG

简介：

  • BUbiNG令人惊喜，它可称为下一代的开源Web爬虫。BUbiNG是一种Java开发的完全分布式爬虫（无需中央协调），每秒可爬取数千个网页，并支持采集大规模数据集。
  • BUbiNG的分布式是基于高速协议实现的，因此可以获得非常高的通量。
  • BUbiNG提供对海量数据的大规模爬取。它完全可配置、易于扩展，并可集成垃圾信息检测。

特性：

  • 高度并行。
  • 完全分布式。
  • 使用JAI4J。JAI4J是一种基于JGroups实现的瘦功能层，实现任务指派。
  • （当前）使用剥离网页的指纹，检测近似的重复内容。
  • 快速。
  • 大规模爬取。

– 官方文档： http://law.di.unimi.it/software/bubing-docs/index.html

– 官方网站： http://law.di.unimi.it/software.php#bubing

16. Narconex

简介：

  • 对于寻求可满足企业级需求的开源Web爬虫的用户而言，Narconex是一种很好的工具。
  • Norconex支持用户爬取任何Web内容。用户可以独立运行这种全功能数据采集器，或是将其集成在自己的应用中。
  • 支持所有操作系统。可在具有一般容量的单体服务器上爬取数百万信息。此外，Narconex提供多种内容和元数据操作特性，还可以抽取页面中特定的图像。

特性：

  • 多线程。
  • 支持按各种计划任务，抽取不同时间段的数据。
  • 从HTML、Word、PDF等多种文件格式中抽取文本内容。
  • 抽取文档相关的元数据。
  • 支持抽取使用用JavaScript渲染的页面。
  • 检测语言。
  • 支持翻译。
  • 可配置爬取速度。
  • 可检测发生修改或已被删除的文档。
  • 支持使用外部命令分析或操作文档。

– 官方文档： http://www.norconex.com/collectors/collector-http/getting-started

– 官方网站： http://www.norconex.com/collectors/collector-http/

17. WebSPHINX

  • 实现语言： Java
  • 当前尚不提供官方支持。

简介：

  • WebSphinix是一种非常易于使用的可定制Web爬虫。它设计用于高级Web用户和Java编程人员，支持他们自动爬取小部分Web。
  • WebSphinix数据抽取解决方案也提供了一种全面的Java类库和交互式软件开发环境。WebSphinix包括两部分：爬虫基准测试（Crawler Workbench），WebSPHINX类库。
  • 爬虫基准测试提供了很好的用户图形接口，支持用户配置并控制定制的Web爬虫。
  • WebSPHINX类库为使用Java编写Web爬虫提供支持。
  • WebSphinix支持运行在Windows、Linux、Mac和Android IOS上。

特性：

  • 以图的方式可视化Web页面采集。
  • 将多个页面组合为单个文档，以供查看和打印。
  • 支持抽取所有满足设定模式的文本。
  • 支持HTML解析。
  • 支持robot.txt禁止标准。
  • 通用HTML转换。
  • 多线程Web页面检索。

– 官方文档： https://www.cs.cmu.edu/~rcm/websphinx/doc/index.html

– 官方网站： https://www.cs.cmu.edu/~rcm/websphinx/#about

18. Spiderman

简介：

  • Spiderman是一种Java开源Web数据抽取工具。它采集特定的Web页面，并从中抽取有用数据。
  • Spiderman主要使用XPath和正则表达式等技术抽取实际数据。

特性：

– 官方网站： https://gitee.com/l-weiwei/spiderman

19. WebCollector :

简介：

  • WebCollector是一种基于Java的开源Web爬虫框架。
  • 它为实现Web爬取功能提供了一下基本的接口。用户可以使用它在五分钟内建立起一个多线程爬虫。

特性：

  • 快速。

– 官方文档： https://github.com/CrawlScript/WebCollector

– 官方网站： https://github.com/CrawlScript/WebCollector

20. Webmagic

简介：

  • WebMagic是一种可扩展的爬虫框架。
  • WebMagic涵盖了爬虫的整个生命周期，包括下载、URL管理、内容抽取和持久化。
  • 可用于简化一些特定爬虫的开发。

特性：

  • 高度灵活的简单内核。
  • 提供实现HTML抽取的简单API。
  • 使用POJO标注定制爬虫，无需配置。
  • 支持多线程和分布式。
  • 易于集成。

– 官方文档： http://webmagic.io/docs/en/

– 官方网站： https://github.com/code4craft/webmagic

21. StormCrawler

简介：

  • StormCrawler是一种基于Apache Storm构架分布式Web爬虫的开源SDK。
  • StormCrawler为开发人员构建爬虫提供了软件库和一系列资源。
  • StormCrawler完全适用于以数据流提供需获取和解析的URL的情况，也非常适用于大规模递归性爬取，尤其是需要低延迟的情况。

特性：

  • 可扩展。
  • 有弹性。
  • 低延迟。
  • 易于扩展。
  • 运行良好且高效。

– 官方文档： http://stormcrawler.net/docs/api/

– 官方网站： http://stormcrawler.net/

JavaScript编写的开源Web爬虫

22. NodeCrawler

简介：

  • NodeCrawler是一种广为使用的Web爬虫，它基于NodeJS实现，具有非常快的爬取速度。
  • Nodecrawler非常适用于偏爱使用JavaScript编程或者致力于JavaScript项目的开发人员。其安装也非常简单。
  • JSDOM和Cheerio（用于HTML解析）实现服务器端渲染。其中，JSDOM更为稳定。

特性：

  • 使用 Cheerio（默认）或JSDOM实现服务端DOM和自动jQuery插入。
  • 可配置池子规模和重试次数。
  • 控制爬取率限制。
  • 请求的优先队列。
  • 支持forceUTF8模式，使得爬虫可以检测并转换字符集。
  • 与4.x乃至更新版本兼容。

– 官方文档：https://github.com/bda-research/node-crawler

– 官方网站：http://nodecrawler.org/

23. Simplecrawler

简介：

  • Simplecrawler设计提供基本的、灵活且稳定的网站爬取API。
  • Simplecrawler在实现上考虑了针对特大型Web站点的归档、分析和搜索。它可爬取上百万页面，并毫无问题地向磁盘写入数十GB数据。

特性：

  • 提供了用于自动检测链接资源的一些简单逻辑，用户可自行替换和添加。
  • 自动请求任何robots.txt禁止规则。
  • 具有灵活的队列系统，可在磁盘上冻结和解冻。

– 官方文档： https://github.com/simplecrawler/simplecrawler

– 官方网站： https://www.npmjs.com/package/simplecrawler

24. Js-crawler :

简介：

  • 使用NodeJS实现的Web爬虫，支持HTTP和HTTPS

– 官方文档： https://github.com/antivanov/js-crawler

– 官方网站： https://github.com/antivanov/js-crawler

25. Webster

简介：

  • Webster是一种使用NodeJS编写的可靠Web爬取和采集框架，用于爬取Web站点并从页面中抽取结构化数据。
  • 与其他爬取框架的不同之处在于，Webster可以抓取浏览器客户端的JavaScript和Ajax请求呈现的内容。

– 官方文档： http://webster.zhuyingda.com/

– 官方网站： https://github.com/zhuyingda/webster

26. Node-osmosis

简介：
* 一种使用NodeJS实现的HTML/XML解析器和Web爬虫。

特性：

  • 使用原生libxml的C绑定。
  • 干净的Promise类接口。
  • 支持CSS 3.0和XPath 1.0选择器的混合。
  • Sizzle选择器、Slick选择器以及更多。
  • 不具有像jQuery、cheerio或jsdom那样的大型依赖。
  • 构成深度和复杂的数据结构。
  • HTML解析器特性：
    • 快速解析；
    • 高速搜索；
    • 内存占用小。
  • HTML DOM特性：
    • 加载和搜索ajax内容；
    • DOM交互和事件；
    • 执行嵌入和远程脚本；
    • 在DOM中执行代码。
  • HTTP请求特性：
    • 日志记录URL，重定向和错误；
    • Cookie的jar包，以及自定义Cookie/头部/用户代理；
    • 登录/表单提交、会话Cookie，基本的认证；
    • 单代理、多代理，处理代理失败情况；
    • 限制重试和重定向。

– 官方文档： https://rchipka.github.io/node-osmosis/global.html

– 官方网站： https://www.npmjs.com/package/osmosis

27. Supercrawler

简介：

  • Supercrawler是一种使用NodeJS实现的Web爬虫，在设计上支持高度可配置和易用性。
  • 一旦成功爬取一个网页（可以是图像、文本文档或其他任何文件），Supercrawler将会触发用户自定义的内容类型（content-type）处理器，处理页面解析、保存数据以及其它一些用户定义的功能。

特性：

  • 链接检测：Supercrawler会解析所爬取的HTML文档，识别其中链接并添加到队列中。
  • 机器人解析：在爬取前Supercrawler会请求robots.txt并检查其中的禁止规则。它也可识别站点地图。
  • 站点地图解析：Supercrawler可以从XML站点地图文件中读取链接，并将链接添加到队列中。
  • 并发限制：Supercrawler可限制在任一时间发出的请求数。
  • 速率限制：Supercrawler可添加请求的时延，以免对服务器产生轰炸。
  • 指数补偿（Exponential backoff）重试：Supercrawler将依此在一小时、两小时、四小时乃至更多时间后重试请求。要使用该特性，爬取队列必须使用数据库或Redis作为后端。
  • 主机名均衡：Supercrawler可在不同主机名间平均分割请求量。要使用该特性，爬取队列必须以Redis为后端。

– 官方文档： https://github.com/brendonboshell/supercrawler

– 官方网站： https://github.com/brendonboshell/supercrawler

28. Web scraper的Chrome扩展

简介：

  • Web Scraper是一种Chrome浏览器扩展，构建用于从Web页面抽取数据。
  • 用户可以使用该扩展创建计划（站点地图），定义如何遍历一个Web网站，以及如何从中抽取数据。
  • Web Scraper使用站点地图相应地遍历网站，并从中抽取数据。
  • 支持以CSV格式导出所抽取的数据。

特性：

  • 抽取多个页面。
  • 站点地图和抽取的数据存储在浏览器的本地存储，也可存储在CouchDB中。
  • 多种数据类型选取。
  • 支持从动态网页（JavaScript+AJAX）抽取数据。
  • 浏览抽取的数据。
  • 以CSV格式导出抽取的数据。
  • 导入、导出站点地图。
  • 只依赖于Chrome浏览器。

– 官方文档： https://www.webscraper.io/documentation

– 官方网站： https://www.webscraper.io

29. Headless Chrome爬虫

简介：

  • 使用基本HTML文件请求的爬虫，通常速度很快。但这样的爬虫往往会抽取到空白内容，尤其是在爬取使用AngularJS、React和Vue.js等现代前端框架构建的网站时。

特性：

  • 分布式爬取。
  • 可配置并发、延迟和重试。
  • 支持深度优先搜索和广度优先搜索算法。
  • 支持插拔缓存存储，例如Redis。
  • 支持导出CSV和JSON。
  • 在达到最大请求时暂停爬取，并可在任一时刻恢复。
  • 自动插入用于抽取的jQuery。
  • 保存屏幕截图，用于证实爬取过程。
  • 模拟设备和用户代理。
  • 具有优先队列，可提高爬取效率。

– 官方文档： https://github.com/yujiosaka/headless-chrome-crawler/blob/master/docs/API.md

– 官方网站： https://github.com/yujiosaka/headless-chrome-crawler

30. X-ray

特性：

  • 模式灵活：支持字符串、数组、对象以及嵌套对象结构。模式并非绑定于所抽取的页面结构，支持用户获取选定结构中的数据。
  • 可组合（Composable）：API是完全可组合的，赋予用户抽取每个页面的极大灵活性。
  • 分页支持：爬取页面在Web站点上的所有分页。X-ray还支持请求延迟和分页限制，并支持将爬取页面导入到单个文件中。这样一旦单个页面产生错误，用户不会失去所有已爬取的数据。
  • 爬虫支持：从一个页面开始，轻易跳转另一个页面。页面跳转是可预测的，按深度优先爬取所有页面。
  • 负责任的爬取：X-ray支持并发、限制、延迟、超时和限制，实现负责任地爬取任何页面。
  • 可插拔驱动：可按用户需求置换不同的爬虫。

– 官方文档： https://github.com/matthewmueller/x-ray

– 官方网站： https://www.npmjs.com/package/x-ray-scraper

C编写的开源Web爬虫

31. Httrack

简介：

  • HTTracks是一项免费（GPL、Libre/自由软件）且易于使用的离线浏览器功能。
  • 支持用户将Web站点下载到本地目录，递归构建全部目录，以及获取HTML、图像和其它文件到本地计算机。
  • HTTrack会维持原站点的相对链接结构。用户可以用浏览器打开本地的“镜像”页面，并逐个链接浏览，与在线浏览无异。
  • HTTrack也支持对已有镜像站点的更新，以及从中断点恢复下载。
  • HTTrack高度可配置，并提供帮助文档。

特性：

  • 多语言窗口，提供对Linux/UNIX的接口。
  • 镜像单个站点，或是一并镜像多个站点。
  • 支持按文件类型、链接位置、结构深度、文件大小过滤，接受或拒绝站点或文件名。
  • 支持代理，可最大化速度，并可选认证。

– 官方文档： http://www.httrack.com/html/index.html

– 官方网站： http://www.httrack.com/

32. GNU Wget

简介：

  • GNU Wget是一种免费软件包，它使用HTTP、HTTPS、FTP、FTPS等广为使用的互联网协议检索文件。
  • Wget是一种非交互式命令行工具，易于从脚本、Cron任务、不具有X窗口支持的终端等处调用。

特性：

  • 使用REST和RANGE支持从中断处恢复下载。
  • 基于NLS的消息文件，可使用多种语言。
  • 可运行于大多数类UNIX操作系统上，也支持Windows.
  • 支持HTTP代理。
  • 支持HTTP Cookie。

– 官方文档： https://www.gnu.org/software/wget/manual/

– 官方网站： https://www.gnu.org/software/wget/

C++编写的开源Web爬虫

33. gigablast

简介：

  • Gigablast是一种开源的Web和企业搜索引擎，也是一种爬虫。
  • Gigablast是自身维护数十亿页面检索索引的数家美国搜索引擎之一。

特性：

  • 大规模。
  • 高性能。
  • 实时信息检索技术。

– 官方文档： http://www.gigablast.com/api.html

– 官方网站： http://www.gigablast.com/

C#编写的开源Web爬虫

34. Arachnode.net

简介：

  • Arachnode.net适用于寻求开源Web爬虫的C#开发人员。
  • Arachnode.net软件类库从因特网下载内容、对内容做索引，并对过程做定制。
  • 用户可使用该工具做个人内容聚合，也可用于将下载的内容抽取、采集和解析为多个表单。
  • Arachnode.net索引所发现的内容，并存储在Lucene.NET索引中。
  • Arachnode.net非常适用于文本挖掘，也适用于学习高级爬取技术。

特性：

  • 可配置规则和行为。
  • 集成Lucene.NET。
  • 支持SQL Server和全文本索引。
  • 支持对.DOC/.PDF/.PPT/.XLS等文件类型的索引。
  • 支持将HTML转化为XML和XHTML。
  • 支持全部JavaScript/AJAX功能。
  • 支持多线程和节流(Throttling)。
  • 行为适当（Respectful）的爬取。
  • 分析服务。

– 官方文档： https://documentation.arachnode.net/index.html

– 官方网站： http://arachnode.net/

35. Abot

简介：

  • Abot是一种C#实现的开源Web爬虫，主要侧重于速度和灵活性。
  • Abot在实现中考虑了底层技术细节，包括多线程、HTTP请求、调度、链接解析等。
  • 用户只需注册事件，就可以处理分页数据。
  • 支持用户插入自己的核心接口实现，实现对整个爬取过程的完全控制。

特性：

  • 高速！
  • 易于定制（可插拔架构，支持用户定义爬取内容和方式）。
  • 经过大量的单元测试（高代码覆盖率）。
  • 非常轻量级（并非过度工程化）。
  • 无过程之外的依赖，例如对数据库、所安装服务等的依赖。

– 官方文档： https://github.com/sjdirect/abot

– 官方网站： https://github.com/sjdirect/abot

36. Hawk

简介：

  • HAWK无需用户做任何编程，提供图形可视化数据获取和清理工具，并以GPL协议开源。

特性：

  • 无需编程，即可实现对Web内容的智能分析。
  • 所见即所得（WYSIWYG），可视化拉拽，支持对数据转换和过滤等的快速处理。
  • 支持从多种数据库和文件中导入和导出。
  • 任务可保存并可重用。
  • 尤其适用于爬取和数据清理，但其功能并不仅局限于此。

– 官方文档： https://github.com/ferventdesert/Hawk

– 官方网站： https://ferventdesert.github.io/Hawk/

37. SkyScraper

简介：

  • 一种异步Web获取和爬虫，使用了async/await和响应式扩展。

– 官方文档： https://github.com/JonCanning/SkyScraper

– 官方网站： https://github.com/JonCanning/SkyScraper

.NET编写的Web爬虫

38. DotnetSpider

简介：

  • DotnetSpider是一种使用.NET Standard实现的Web爬取软件库，类似于WebMagic和Scrapy。
  • 它是一种适用于.NET的轻量级、高效和高速的高层Web爬取和获取框架。

– 官方文档： https://github.com/dotnetcore/DotnetSpider/wiki

– 官方网站： https://github.com/dotnetcore/DotnetSpider

PHP编写的开源Web爬虫

39. Goutte

简介：

  • Goutte是一种PHP实现的屏幕抓取和Web爬取软件库。
  • Goutte为爬取Web站点和从HTML/XML响应中抽取数据提供了很好的API。

– 官方文档： https://goutte.readthedocs.io/en/latest/

– 官方网站： https://github.com/FriendsOfPHP/Goutte

40. Dom-crawler

简介：

  • DomCrawler组件简化了对HTML和XML文档的DOM浏览。

– 官方文档： https://symfony.com/doc/current/components/dom_crawler.html

– 官方网站： https://github.com/symfony/dom-crawler

41. Pspider

简介：

  • Pspider是最近完全使用PHP实现的一种并行爬取框架，它基于hightman/httpclient组件。

– 官方文档： https://github.com/hightman/pspider

– 官方网站： https://github.com/hightman/pspider

42. Php-spider

简介：

  • 一种可配置、可扩展的Web爬虫。

特性：

  • 可限制爬取深度、队列大小和最大下载数。
  • 支持基于XPath、CSS选择器或普通（Plain old）PHP添加自定义的URI发现逻辑。
  • 提供了一系列有用的URI过滤器，例如域限制等。
  • 收集爬取统计信息，用于形成报告。

– 官方文档： https://github.com/mvdbos/php-spider

– 官方网站： https://github.com/mvdbos/php-spider

43. Spatie / Crawler

简介：

  • 该软件包提供了从Web站点爬取链接的类。在实现的底层机制上，使用了GuzzleHttp/Promise并发爬取多个URL。
  • 该爬虫支持执行JavaScript，可以爬取使用JavaScript渲染的站点。从实现的底层机制看，该特性使用了Chrome和Puppeteer。

– 官方文档： https://github.com/spatie/crawler

– 官方网站： https://github.com/spatie/crawler

Ruby实现的开源Web爬虫

44. Mechanize

简介：

  • Mechanize软件库用于实现于Web站点的自动交互。
  • Mechanize自动按重定向存储并发送Cookie。可以根据链接提交表单，支持填写和提交表单域。
  • Mechanize也可跟踪用户访问过站点的历史记录。

– 官方文档： http://docs.seattlerb.org/mechanize/

– 官方网站： https://github.com/sparklemotion/mechanize

GO编写的开源Web爬虫

45. Colly

简介：

  • 为Go爱好者提供了一种快速且适用的爬取框架。
  • Colly提供了非常清晰的接口，可用于编写任何类型的爬虫和数据获取工具。
  • Colly使得用户可以轻易地从站点抽取结构化数据。这些数据适用于大范围的应用，例如数据挖掘、数据处理和归档。

特性：

  • 清晰的API。
  • 高速（支持单核每秒处理一千次以上的请求）。
  • 按域管理请求延迟和最大并发。
  • 自动Cookie和会话管理。
  • 同步/异步/并行爬取。
  • 支持缓存。
  • 对非unicode响应的自动编码。
  • 支持robots.txt禁止规则。
  • 分布式爬取。
  • 可通过环境变量配置。
  • 支持扩展。

– 官方文档： http://go-colly.org/docs/

– 官方网站： http://go-colly.org/

46. Gopa

特性：

  • 轻量级，低资源占用，小于100MB的内存需求。
  • 易于部署，无需任何运行时和依赖关系。
  • 易于使用，不需要用户具有任何编程和脚本技能，提供开箱即可用特性。

– 官方文档： https://github.com/infinitbyte/gopa

– 官方网站： https://github.com/infinitbyte/gopa

47. Pholcus

简介：

  • Pholcus是一种完全使用Go语言实现的高并发性、重量级爬虫软件。
  • 它针对因特网数据采集，为只具有基本Go或JavaScript编程基础的用户提供了一种只需要关注自定义功能的特性。
  • 规则简单灵活，并发批处理任务，提供丰富的输出方式，包括MySQL、MongoDB、Kafka、CSV、Exvel等。
  • 用户共享了大量的演示。此外，Pholcus支持两种水平和垂直爬取模式，支持模拟登陆、暂停任务、取消任务等一系列高级特性。

特性：

  • 一种强大的爬取工具。
  • 支持三种运行模式：单机、服务器和客户。
  • 提供三种操作接口：Web、GUI和命令行。

– 官方文档： https://pholcus.gitbooks.io/docs/

– 官方网站： https://github.com/henrylee2cn/pholcus

R编写的开源Web爬虫

48. Rvest

简介：

  • Rvest为用户从Web页面抽取信息提供帮助。它在设计上使用了magrittr软件包，易于表达通用Web抽取。

– 官方文档： https://cran.r-project.org/web/packages/rvest/rvest.pdf

– 官方网站： https://github.com/hadley/rvest

Scala编写的开源Web爬虫

49. Sparkler

简介：

  • Web爬虫是一种机器人程序，它从Web网站采集资源，用于构建搜索引擎、知识库等应用。
  • Sparkler（“Spark-Crawler”的缩写）是一种新型的Web爬虫，它通过整合Spark、Kafka、Lucene/Solr、Tika、pf4j等多种Apache项目，使用了分布式计算和信息检索领域的最新进展。

特性：

  • 提供更高的性能，具有更好的容错。
  • 支持复杂和近实时分析。
  • 实时输出数据流。
  • 可扩展的插件框架。
  • 通用解析器。

– 官方文档： http://irds.usc.edu/sparkler/dev/development-environment-setup.html#contributing-source

– 官方网站： http://irds.usc.edu/sparkler/

Perl编写的开源Web爬虫

50. Web-scraper

简介：

  • Web Scraper是一种使用HTML、CSS选择器或XPath表达式的Web采集工具集。

– 官方文档： https://github.com/miyagawa/web-scraper

– 官方网站： https://github.com/miyagawa/web-scraper

总结

开源Web爬取应用纷繁多样，在此难以一一枚举。每种爬取应用分别各具特长，适用于不同用户的需求。

用户可根据自己的需求和技术要求选取适用的工具。也许用户会从上述工具中做出选择，也许会选择本文列表之外的工具。在实践中，用户只需根据任务的不同做出一个合理的选择，这完全取决于最终用户。其中至关重要的是，用户必须要了解每种工具的独特优势，并利用这些优势服务于用户自身的业务，或是自身所承担的其它任何任务。

欢迎与我们就此开展交流！

查看英文原文： 50 Best Open Source Web Crawlers

posted @ 2020-09-15 14:14  JS脚本  阅读(2773)  评论(0)  编辑  收藏  举报