33 款可用來抓資料的開源爬蟲軟體工具
來源：visiontry
www.jianshu.com/p/956de3ca0578
要玩大資料，沒有資料怎麼玩？這裡推薦一些33款開源爬蟲軟體給大家。
爬蟲，即網路爬蟲，是一種自動獲取網頁內容的程式。是搜尋引擎的重要組成部分，因此搜尋引擎優化很大程度上就是針對爬蟲而做出的優化。
網路爬蟲是一個自動提取網頁的程式，它為搜尋引擎從全球資訊網上下載網頁，是搜尋引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入佇列,直到滿足系統的一定停止條件。聚焦爬蟲的工作流程較為複雜，需要根據一定的網頁分析演算法過濾與主題無關的連結，保留有用的連結並將其放入等待抓取的URL佇列。然後，它將根據一定的搜尋策略從佇列中選擇下一步要抓取的網頁URL，並重覆上述過程，直到達到系統的某一條件時停止。另外，所有被爬蟲抓取的網頁將會被系統存貯，進行一定的分析、過濾，並建立索引，以便之後的查詢和檢索；對於聚焦爬蟲來說，這一過程所得到的分析結果還可能對以後的抓取過程給出反饋和指導。
世界上已經成型的爬蟲軟體多達上百種，本文對較為知名及常見的開源爬蟲軟體進行梳理，按開發語言進行彙總。雖然搜尋引擎也有爬蟲，但本次我彙總的只是爬蟲軟體，而非大型、複雜的搜尋引擎，因為很多兄弟只是想爬取資料，而非運營一個搜尋引擎。
Java爬蟲
1、Arachnid
Arachnid是一個基於Java的web spider框架.它包含一個簡單的HTML剖析器能夠分析包含HTML內容的輸入流.通過實現Arachnid的子類就能夠開發一個簡單的Web spiders並能夠在Web站上的每個頁面被解析之後增加幾行程式碼呼叫。 Arachnid的下載包中包含兩個spider應用程式例子用於演示如何使用該框架。
- 特點：微型爬蟲框架，含有一個小型HTML解析器
- 許可證：GPL
crawlzilla 是一個幫你輕鬆建立搜尋引擎的自由軟體，有了它，你就不用依靠商業公司的搜尋引擎，也不用再煩惱公司內部網站資料索引的問題。
由 nutch 專案為核心，並整合更多相關套件，並卡發設計安裝與管理UI，讓使用者更方便上手。
crawlzilla 除了爬取基本的 html 外，還能分析網頁上的檔案，如（ doc、pdf、ppt、ooo、rss ）等多種檔案格式，讓你的搜尋引擎不只是網頁搜尋引擎，而是網站的完整資料索引庫。
擁有中文分詞能力，讓你的搜尋更精準。
crawlzilla的特色與目標，最主要就是提供使用者一個方便好用易安裝的搜尋平臺。
- 授權協議： Apache License 2
- 開發語言： Java Java SHELL
- 作業系統： Linux
- 專案主頁：https://github.com/shunfa/crawlzilla
- 下載地址：https://sourceforge.net/projects/crawlzilla/
- 特點：安裝簡易，擁有中文分詞功能
Ex-Crawler 是一個網頁爬蟲，採用 Java 開發，該專案分成兩部分，一個是守護程序，另外一個是靈活可配置的 Web 爬蟲。使用資料庫儲存網頁資訊。
- 授權協議： GPLv3
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：由守護程序執行，使用資料庫儲存網頁資訊
Heritrix 是一個由 java 開發的、開源的網路爬蟲，使用者可以使用它來從網上抓取想要的資源。其最出色之處在於它良好的可擴充套件性，方便使用者實現自己的抓取邏輯。
Heritrix採用的是模組化的設計，各個模組由一個控制器類（CrawlController類）來協調，控制器是整體的核心。
- 程式碼託管：https://github.com/internetarchive/heritrix3
- 授權協議： Apache
- 開發語言： Java
- 作業系統：跨平臺
- 特點：嚴格遵照robots檔案的排除指示和META robots標籤
heyDr是一款基於java的輕量級開源多執行緒垂直檢索爬蟲框架，遵循GNU GPL V3協議。
使用者可以通過heyDr構建自己的垂直資源爬蟲，用於搭建垂直搜尋引擎前期的資料準備。
- 授權協議： GPLv3
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：輕量級開源多執行緒垂直檢索爬蟲框架
ItSucks是一個java web spider（web機器人，爬蟲）開源專案。支援通過下載模板和正則表示式來定義下載規則。提供一個swing GUI操作介面。
特點：提供swing GUI操作介面
7、jcrawl
jcrawl是一款小巧效能優良的的web爬蟲,它可以從網頁抓取各種型別的檔案,基於使用者定義的符號，比如email、qq。
- 授權協議： Apache
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：輕量、效能優良，可以從網頁抓取各種型別的檔案
JSpider是一個用Java實現的WebSpider，JSpider的執行格式如下：
jspider [URL] [ConfigName]
URL一定要加上協議名稱，如：https://，否則會報錯。如果省掉ConfigName，則採用預設配置。
JSpider 的行為是由配置檔案具體配置的，比如採用什麼外掛，結果儲存方式等等都在conf[ConfigName]目錄下設定。JSpider預設的配置種類 很少，用途也不大。但是JSpider非常容易擴充套件，可以利用它開發強大的網頁抓取與資料分析工具。要做到這些，需要對JSpider的原理有深入的了 解，然後根據自己的需求開發外掛，撰寫配置檔案。
- 授權協議： LGPL
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：功能強大，容易擴充套件
用JAVA編寫的web 搜尋和爬蟲，包括全文和分類垂直搜尋，以及分詞系統
- 授權協議： Apache
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：包括全文和分類垂直搜尋，以及分詞系統
是一套完整的網頁內容抓取、格式化、資料整合、儲存管理和搜尋解決方案。
網路爬蟲有多種實現方法，如果按照部署在哪裡分，可以分成：
（1）伺服器側：一般是一個多執行緒程式，同時下載多個目標HTML，可以用PHP， Java, Python(當前很流行）等做，可以速度做得很快，一般綜合搜尋引擎的爬蟲這樣做。但是，如果對方討厭爬蟲，很可能封掉你的IP，伺服器IP又不容易 改，另外耗用的頻寬也是挺貴的。建議看一下Beautiful soap。
（2）客戶端：一般實現定題爬蟲，或者是聚焦爬蟲，做綜合搜尋引擎不容易成功，而垂直搜訴或者比價服務或者推薦引擎，相對容易很多，這類爬蟲不是什麼頁面都 取的，而是隻取你關係的頁面，而且只取頁面上關心的內容，例如提取黃頁資訊，商品價格資訊，還有提取競爭對手廣告資訊的，搜一下Spyfu，很有趣。這類 爬蟲可以部署很多，而且可以很有侵略性，對方很難封鎖。
MetaSeeker中的網路爬蟲就屬於後者。
MetaSeeker工具包利用Mozilla平臺的能力，只要是Firefox看到的東西，它都能提取。
MetaSeeker工具包是免費使用的，下載地址：www.gooseeker.com/cn/node/download/front
特點：網頁抓取、資訊提取、資料抽取工具包，操作簡單
11、Playfish
playfish是一個採用java技術，綜合應用多個開源java元件實現的網頁抓取工具，通過XML配置檔案實現高度可定製性與可擴充套件性的網頁抓取工具
應用開源jar包包括httpclient(內容讀取),dom4j（配置檔案解析）,jericho（html解析），已經在 war包的lib下。
這個專案目前還很不成熟，但是功能基本都完成了。要求使用者熟悉XML，熟悉正則表示式。目前通過這個工具可以抓取各類論壇，貼吧，以及各類CMS系統。像Discuz!,phpbb,論壇跟部落格的文章，通過本工具都可以輕鬆抓取。抓取定義完全採用XML，適合Java開發人員使用。
使用方法：1.下載右邊的.war包匯入到eclipse中， 2.使用WebContent/sql下的wcc.sql檔案建立一個範例資料庫， 3.修改src包下wcc.core的dbConfig.txt，將使用者名稱與密碼設定成你自己的mysql使用者名稱密碼。 4.然後執行SystemCore,執行時候會在控制檯，無引數會執行預設的example.xml的配置檔案，帶引數時候名稱為配置檔名。
系統自帶了3個例子，分別為baidu.xml抓取百度知道，example.xml抓取我的javaeye的部落格，bbs.xml抓取一個採用 discuz論壇的內容。
- 授權協議： MIT
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：通過XML配置檔案實現高度可定製性與可擴充套件性
Spiderman 是一個基於微核心+外掛式架構的網路蜘蛛，它的目標是通過簡單的方法就能將複雜的目標網頁資訊抓取並解析為自己所需要的業務資料。
怎麼使用？
首先，確定好你的目標網站以及目標網頁（即某一類你想要獲取資料的網頁，例如網易新聞的新聞頁面）
然後，開啟目標頁面，分析頁面的HTML結構，得到你想要資料的XPath，具體XPath怎麼獲取請看下文。
最後，在一個xml配置檔案裡填寫好引數，執行Spiderman吧！
- 授權協議： Apache
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：靈活、擴充套件性強，微核心+外掛式架構，通過簡單的配置就可以完成資料抓取，無需編寫一句程式碼
webmagic的是一個無須配置、便於二次開發的爬蟲框架，它提供簡單靈活的API，只需少量程式碼即可實現一個爬蟲。
webmagic採用完全模組化的設計，功能覆蓋整個爬蟲的生命週期(連結提取、頁面下載、內容抽取、持久化)，支援多執行緒抓取，分散式抓取，並支援自動重試、自定義UA/cookie等功能。
webmagic包含強大的頁面抽取功能，開發者可以便捷的使用css selector、xpath和正則表示式進行連結和內容的提取，支援多個選擇器鏈式呼叫。
webmagic的使用文件：
https://webmagic.io/docs/
檢視原始碼：
https://git.oschina.net/flashsword20/webmagic
- 授權協議： Apache
- 開發語言： Java
- 作業系統： 跨平臺
- 特點：功能覆蓋整個爬蟲生命週期，使用Xpath和正則表示式進行連結和內容的提取。
- 備註：這是一款國產開源軟體，由 黃億華貢獻
14、Web-Harvest
Web-Harvest是一個Java開源Web資料抽取工具。它能夠收集指定的Web頁面並從這些頁面中提取有用的資料。Web-Harvest主要是運用了像XSLT,XQuery,正則表示式等這些技術來實現對text/xml的操作。
其實現原理是，根據預先定義的配置檔案用httpclient獲取頁面的全部內容（關於httpclient的內容，本博有些文章已介紹），然後運用XPath、XQuery、正則表示式等這些技術來實現對text/xml的內容篩選操作，選取精確的資料。前兩年比較火的垂直搜尋（比如：酷訊等）也是採用類似的原理實現的。Web-Harvest應用，關鍵就是理解和定義配置檔案，其他的就是考慮怎麼處理資料的Java程式碼。當然在爬蟲開始前，也可以把Java變數填充到配置檔案中，實現動態的配置。
- 授權協議： BSD
- 開發語言： Java
- 特點：運用XSLT、XQuery、正則表示式等技術來實現對Text或XML的操作，具有視覺化的介面
WebSPHINX是一個Java類包和Web爬蟲的互動式開發環境。Web爬蟲(也叫作機器人或蜘蛛)是可以自動瀏覽與處理Web頁面的程式。WebSPHINX由兩部分組成：爬蟲工作平臺和WebSPHINX類包。
- 授權協議：Apache
- 開發語言：Java
- 特點：由兩部分組成：爬蟲工作平臺和WebSPHINX類包
YaCy基於p2p的分散式Web搜尋引擎.同時也是一個Http快取代理伺服器.這個專案是構建基於p2p Web索引網路的一個新方法.它可以搜尋你自己的或全域性的索引,也可以Crawl自己的網頁或啟動分散式Crawling等.
- 授權協議： GPL
- 開發語言： Java Perl
- 作業系統： 跨平臺
- 特點：基於P2P的分散式Web搜尋引擎
QuickRecon是一個簡單的資訊收集工具,它可以幫助你查詢子域名名稱、perform zone transfe、收集電子郵件地址和使用microformats尋找人際關係等。QuickRecon使用python編寫，支援linux和 windows作業系統。
- 授權協議： GPLv3
- 開發語言： Python
- 作業系統： Windows Linux
- 特點：具有查詢子域名名稱、收集電子郵件地址並尋找人際關係等功能
這是一個非常簡單易用的抓取工具。支援抓取java渲染的頁面的簡單實用高效的python網頁爬蟲抓取模組
- 授權協議： MIT
- 開發語言： Python
- 作業系統： 跨平臺 Windows Linux OS X
- 特點：簡潔、輕量、高效的網頁抓取框架
- 備註：此軟體也是由國人開放
github下載：
https://github.com/princehaku/pyrailgun#readme
19、Scrapy
Scrapy 是一套基於基於Twisted的非同步處理框架，純python實現的爬蟲框架，使用者只需要定製開發幾個模組就可以輕鬆的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便～
- 授權協議： BSD
- 開發語言： Python
- 作業系統： 跨平臺
- github原始碼：https://github.com/scrapy/scrapy
- 特點：基於Twisted的非同步處理框架，文件齊全
C++爬蟲
20、hispider
HiSpider is a fast and high performance spider with high speed
嚴格說只能是一個spider系統的框架, 沒有細化需求, 目前只是能提取URL, URL排重, 非同步DNS解析, 佇列化任務, 支援N機分散式下載, 支援網站定向下載(需要配置hispiderd.ini whitelist).
特徵和用法:
- 基於unix/linux系統的開發
- 非同步DNS解析
- URL排重
- 支援HTTP 壓縮編碼傳輸 gzip/deflate
- 字符集判斷自動轉換成UTF-8編碼
- 文件壓縮儲存
- 支援網站定向下載(需要配置 hispiderd.ini whitelist )
- 可通過 https://127.0.0.1:3721/ 檢視下載情況統計,下載任務控制(可停止和恢復任務)
- 依賴基本通訊庫libevbase 和 libsbase (安裝的時候需要先安裝這個兩個庫).
工作流程:
- 從中心節點取URL(包括URL對應的任務號, IP和port,也可能需要自己解析)
- 連線伺服器傳送請求
- 等待資料頭判斷是否需要的資料(目前主要取text型別的資料)
- 等待完成資料(有length頭的直接等待說明長度的資料否則等待比較大的數字然後設定超時)
- 資料完成或者超時, zlib壓縮資料返回給中心伺服器,資料可能包括自己解析DNS資訊, 壓縮後資料長度+壓縮後資料, 如果出錯就直接返回任務號以及相關資訊
- 中心伺服器收到帶有任務號的資料, 檢視是否包括資料, 如果沒有資料直接置任務號對應的狀態為錯誤, 如果有資料提取資料種link 然後儲存資料到文件檔案.
- 完成後返回一個新的任務.
- 授權協議： BSD
- 開發語言： C/C++
- 作業系統： Linux
larbin是一種開源的網路爬蟲/網路蜘蛛，由法國的年輕人 Sébastien Ailleret獨立開發。larbin目的是能夠跟蹤頁面的url進行擴充套件的抓取，最後為搜尋引擎提供廣泛的資料來源。Larbin只是一個爬蟲，也就 是說larbin只抓取網頁，至於如何parse的事情則由使用者自己完成。另外，如何儲存到資料庫以及建立索引的事情 larbin也不提供。一個簡單的larbin的爬蟲可以每天獲取５００萬的網頁。
利用larbin，我們可以輕易的獲取/確定單個網站的所有連結，甚至可以映象一個網站；也可以用它建立url 列表群，例如針對所有的網頁進行 url retrive後，進行xml的聯結的獲取。或者是 mp3，或者定製larbin，可以作為搜尋引擎的資訊的來源。
- 授權協議： GPL
- 開發語言： C/C++
- 作業系統： Linux
- 特點：高效能的爬蟲軟體，只負責抓取不負責解析
Methabot 是一個經過速度優化的高可配置的 WEB、FTP、本地檔案系統的爬蟲軟體。
- 授權協議： 未知
- 開發語言： C/C++
- 作業系統： Windows Linux
- 特點：過速度優化、可抓取WEB、FTP及本地檔案系統
原始碼：
https://www.oschina.net/code/tag/methabot
C#爬蟲
23、NWebCrawler
NWebCrawler是一款開源，C#開發網路爬蟲程式。
特性：
可配置：執行緒數，等待時間，連線超時，允許MIME型別和優先順序，下載資料夾。
統計資訊：URL數量，總下載檔案，總下載位元組數，CPU利用率和可用記憶體。
Preferential crawler：使用者可以設定優先順序的MIME型別。
Robust: 10+ URL normalization rules, crawler trap avoiding rules.
- 授權協議： GPLv2
- 開發語言： C#
- 作業系統： Windows
- 專案主頁：https://www.open-open.com/lib/view/home/1350117470448
- 特點：統計資訊、執行過程視覺化
國內第一個針對微博資料的爬蟲程式！原名“新浪微博爬蟲”。
登入後，可以指定使用者為起點，以該使用者的關注人、粉絲為線索，延人脈關係蒐集使用者基本資訊、微博資料、評論資料。
該應用獲取的資料可作為科研、與新浪微博相關的研發等的資料支援，但請勿用於商業用途。該應用基於.NET2.0框架，需SQL SERVER作為後臺資料庫，並提供了針對SQL Server的資料庫指令碼檔案。
另外，由於新浪微博API的限制，爬取的資料可能不夠完整（如獲取粉絲數量的限制、獲取微博數量的限制等）
本程式版權歸作者所有。你可以免費: 拷貝、分發、呈現和表演當前作品,製作派生作品。 你不可將當前作品用於商業目的。
5.x版本已經發布！ 該版本共有6個後臺工作執行緒：爬取使用者基本資訊的機器人、爬取使用者關係的機器人、爬取使用者標籤的機器人、爬取微博內容的機器人、爬取微博評論的機器人，以及調節請求頻率的機器人。更高的效能！最大限度挖掘爬蟲潛力！ 以現在測試的結果看，已經能夠滿足自用。
本程式的特點：
- 6個後臺工作執行緒，最大限度挖掘爬蟲效能潛力！
- 介面上提供引數設定，靈活方便
- 拋棄app.config配置檔案，自己實現配置資訊的加密儲存，保護資料庫帳號資訊
- 自動調整請求頻率，防止超限，也避免過慢，降低效率
- 任意對爬蟲控制，可隨時暫停、繼續、停止爬蟲
- 良好的使用者體驗
- 授權協議： GPLv3
- 開發語言： C# .NET
- 作業系統： Windows
spidernet是一個以遞迴樹為模型的多執行緒web爬蟲程式, 支援text/html資源的獲取. 可以設定爬行深度, 最大下載位元組數限制, 支援gzip解碼, 支援以gbk(gb2312)和utf8編碼的資源; 儲存於sqlite資料檔案.
原始碼中TODO:標記描述了未完成功能, 希望提交你的程式碼.
- 授權協議： MIT
- 開發語言： C#
- 作業系統： Windows
- github原始碼：https://github.com/nsnail/spidernet
- 特點：以遞迴樹為模型的多執行緒web爬蟲程式，支援以GBK (gb2312)和utf8編碼的資源，使用sqlite儲存資料
mart and Simple Web Crawler是一個Web爬蟲框架。整合Lucene支援。該爬蟲可以從單個連結或一個連結陣列開始，提供兩種遍歷模式：最大迭代和最大深度。可以設定 過濾器限制爬回來的連結，預設提供三個過濾器ServerFilter、BeginningPathFilter和 RegularExpressionFilter，這三個過濾器可用AND、OR和NOT聯合。在解析過程或頁面載入前後都可以加監聽器。介紹內容來自Open-Open
- 開發語言： Java
- 作業系統： 跨平臺
- 授權協議： LGPL
- 特點：多執行緒，支援抓取PDF/DOC/EXCEL等文件來源
網站資料採集軟體 網路礦工採集器（原soukey採摘）
Soukey採摘網站資料採集軟體是一款基於.Net平臺的開源軟體，也是網站資料採集軟體型別中唯一一款開源軟體。儘管Soukey採摘開源，但並不會影響軟體功能的提供，甚至要比一些商用軟體的功能還要豐富。
- 授權協議： BSD
- 開發語言： C# .NET
- 作業系統： Windows
- 特點：功能豐富，毫不遜色於商業軟體
OpenWebSpider是一個開源多執行緒Web Spider（robot：機器人，crawler：爬蟲)和包含許多有趣功能的搜尋引擎。
- 授權協議： 未知
- 開發語言： PHP
- 作業系統： 跨平臺
- 特點：開源多執行緒網路爬蟲，有許多有趣的功能
PhpDig是一個採用PHP開發的Web爬蟲和搜尋引擎。通過對動態和靜態頁面進行索引建立一個詞彙表。當搜尋查詢時，它將按一定的排序規則顯示包含關 鍵字的搜尋結果頁面。PhpDig包含一個模板系統並能夠索引PDF,Word,Excel,和PowerPoint文件。PHPdig適用於專業化更 強、層次更深的個性化搜尋引擎，利用它打造針對某一領域的垂直搜尋引擎是最好的選擇。
演示：https://www.phpdig.net/navigation.php?action=demo
- 授權協議： GPL
- 開發語言： PHP
- 作業系統： 跨平臺
- 特點：具有采集網頁內容、提交表單功能
ThinkUp 是一個可以採集推特，facebook等社交網路資料的社會媒體視角引擎。通過採集個人的社交網路賬號中的資料，對其存檔以及處理的互動分析工具，並將資料圖形化以便更直觀的檢視。
- 授權協議： GPL
- 開發語言： PHP
- 作業系統： 跨平臺
- github原始碼：https://github.com/ThinkUpLLC/ThinkUp
- 特點：採集推特、臉譜等社交網路資料的社會媒體視角引擎，可進行互動分析並將結果以視覺化形式展現
微購社會化購物系統是一款基於ThinkPHP框架開發的開源的購物分享系統，同時它也是一套針對站長、開源的的淘寶客網站程式，它整合了淘寶、天貓、淘寶客等300多家商品資料採集介面，為廣大的淘寶客站長提供傻瓜式淘客建站服務，會HTML就會做程式模板，免費開放下載，是廣大淘客站長的首選。
- 演示網址：https://tlx.wego360.com
- 授權協議： GPL
- 開發語言： PHP
- 作業系統： 跨平臺
Ebot 是一個用 ErLang 語言開發的可伸縮的分散式網頁爬蟲，URLs 被儲存在資料庫中可通過 RESTful 的 HTTP 請求來查詢。
- 授權協議： GPLv3
- 開發語言： ErLang
- 作業系統： 跨平臺
- github原始碼：https://github.com/matteoredaelli/ebot
- 專案主頁：https://www.redaelli.org/matteo/blog/projects/ebot
- 特點：可伸縮的分散式網頁爬蟲
Spidr 是一個Ruby 的網頁爬蟲庫，可以將整個網站、多個網站、某個連結完全抓取到本地。
- 開發語言： Ruby
- 授權協議：MIT
- 特點：可將一個或多個網站、某個連結完全抓取到本地
（點選標題可跳轉閱讀）