中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

要玩大數(shù)據(jù)，沒有數(shù)據(jù)怎么玩？這里推薦一些33款開源爬蟲軟件給大家。

爬蟲，即網(wǎng)絡(luò)爬蟲，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)爬蟲而做出的優(yōu)化。

網(wǎng)絡(luò)爬蟲是一個(gè)自動(dòng)提取網(wǎng)頁(yè)的程序，它為搜索引擎從萬維網(wǎng)上下載網(wǎng)頁(yè)，是搜索引擎的重要組成。傳統(tǒng)爬蟲從一個(gè)或若干初始網(wǎng)頁(yè)的URL開始，獲得初始網(wǎng)頁(yè)上的URL，在抓取網(wǎng)頁(yè)的過程中，不斷從當(dāng)前頁(yè)面上抽取新的URL放入隊(duì)列,直到滿足系統(tǒng)的一定停止條件。聚焦爬蟲的工作流程較為復(fù)雜，需要根據(jù)一定的網(wǎng)頁(yè)分析算法過濾與主題無關(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、過濾，并建立索引，以便之后的查詢和檢索；對(duì)于聚焦爬蟲來說，這一過程所得到的分析結(jié)果還可能對(duì)以后的抓取過程給出反饋和指導(dǎo)。

世界上已經(jīng)成型的爬蟲軟件多達(dá)上百種，本文對(duì)較為知名及常見的開源爬蟲軟件進(jìn)行梳理，按開發(fā)語言進(jìn)行匯總。雖然搜索引擎也有爬蟲，但本次我匯總的只是爬蟲軟件，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

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.通過實(shí)現(xiàn)Arachnid的子類就能夠開發(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)站資料索引的問題。

由 nutch 專案為核心，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
開發(fā)語言： 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，采用 Java 開發(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。使用數(shù)據(jù)庫(kù)存儲(chǔ)網(wǎng)頁(yè)信息。

• 授權(quán)協(xié)議： GPLv3
• 開發(fā)語言： 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 開發(fā)的、開源的網(wǎng)絡(luò)爬蟲，用戶可以使用它來從網(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（CrawlController類）來協(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
• 開發(fā)語言： 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)開源多線程垂直檢索爬蟲框架，遵循GNU GPL V3協(xié)議。

用戶可以通過heyDr構(gòu)建自己的垂直資源爬蟲，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
• 開發(fā)語言： Java
• 操作系統(tǒng)： 跨平臺(tái)

特點(diǎn)：輕量級(jí)開源多線程垂直檢索爬蟲框架

6、ItSucks

ItSucks是一個(gè)java web spider（web機(jī)器人，爬蟲）開源項(xiàng)目。支持通過下載模板和正則表達(dá)式來定義下載規(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,它可以從網(wǎng)頁(yè)抓取各種類型的文件,基于用戶定義的符號(hào),比如email,qq.

• 授權(quán)協(xié)議： Apache
• 開發(fā)語言： 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 [URL] [ConfigName]

URL一定要加上協(xié)議名稱，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 很少，用途也不大。但是JSpider非常容易擴(kuò)展，可以利用它開發(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)自己的需求開發(fā)插件，撰寫配置文件。

• 授權(quán)協(xié)議： LGPL
• 開發(fā)語言： 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編寫的web 搜索和爬蟲，包括全文和分類垂直搜索，以及分詞系統(tǒng)

• 授權(quán)協(xié)議： Apache
• 開發(fā)語言： Java
• 操作系統(tǒng)： 跨平臺(tái)

特點(diǎn)：包括全文和分類垂直搜索，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這樣做。但是，如果對(duì)方討厭爬蟲，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。

客戶端：

一般實(shí)現(xiàn)定題爬蟲，或者是聚焦爬蟲，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，這類爬蟲不是什么頁(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 爬蟲可以部署很多，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)開源java組件實(shí)現(xiàn)的網(wǎng)頁(yè)抓取工具，通過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。目前通過這個(gè)工具可以抓取各類論壇，貼吧，以及各類CMS系統(tǒng)。像Discuz!,phpbb,論壇跟博客的文章，通過本工具都可以輕松抓取。抓取定義完全采用XML，適合Java開發(fā)人員使用。

使用方法：

1. 下載右邊的.war包導(dǎo)入到eclipse中，
2. 使用WebContent/sql下的wcc.sql文件建立一個(gè)范例數(shù)據(jù)庫(kù)，
3. 修改src包下wcc.core的dbConfig.txt，將用戶名與密碼設(shè)置成你自己的mysql用戶名密碼。
4. 然后運(yùn)行SystemCore,運(yùn)行時(shí)候會(huì)在控制臺(tái)，無參數(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
• 開發(fā)語言： Java
• 操作系統(tǒng)： 跨平臺(tái)

特點(diǎn)：通過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配置文件里填寫好參數(shù)，運(yùn)行Spiderman吧！

• 授權(quán)協(xié)議： Apache
• 開發(fā)語言： 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)，通過簡(jiǎn)單的配置就可以完成數(shù)據(jù)抓取，無需編寫一句代碼

13、webmagic

webmagic的是一個(gè)無須配置、便于二次開發(fā)的爬蟲框架，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。

webmagic采用完全模塊化的設(shè)計(jì)，功能覆蓋整個(gè)爬蟲的生命周期(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
• 開發(fā)語言： Java
• 操作系統(tǒng)： 跨平臺(tái)

特點(diǎn)：功能覆蓋整個(gè)爬蟲生命周期，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)開源軟件，由 黃億華貢獻(xiàn)

14、Web-Harvest

Web-Harvest是一個(gè)Java開源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)然在爬蟲開始前，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
• 開發(fā)語言： Java

特點(diǎn)：運(yùn)用XSLT、XQuery、正則表達(dá)式等技術(shù)來實(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類包和Web爬蟲的交互式開發(fā)環(huán)境。Web爬蟲(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：爬蟲工作平臺(tái)和WebSPHINX類包。

授權(quán)協(xié)議：Apache

開發(fā)語言：Java

特點(diǎn)：由兩部分組成：爬蟲工作平臺(tái)和WebSPHINX類包

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
• 開發(fā)語言： 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

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、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，支持linux和 windows操作系統(tǒng)。

• 授權(quán)協(xié)議： GPLv3
• 開發(fā)語言： Python
• 操作系統(tǒng)： Windows Linux

特點(diǎn)：具有查找子域名名稱、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)爬蟲抓取模塊

• 授權(quán)協(xié)議： MIT
• 開發(fā)語言： 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)的爬蟲框架，用戶只需要定制開發(fā)幾個(gè)模塊就可以輕松的實(shí)現(xiàn)一個(gè)爬蟲，用來抓取網(wǎng)頁(yè)內(nèi)容以及各種圖片，非常之方便～

• 授權(quán)協(xié)議： BSD
• 開發(fā)語言： 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

20、hispider

HiSpider is a fast and high performance spider with high speed

嚴(yán)格說只能是一個(gè)spider系統(tǒng)的框架, 沒有細(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 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

開發(fā)語言： 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是一種開源的網(wǎng)絡(luò)爬蟲/網(wǎng)絡(luò)蜘蛛，由法國(guó)的年輕人 Sébastien Ailleret獨(dú)立開發(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)來源。Larbin只是一個(gè)爬蟲，也就 是說larbin只抓取網(wǎng)頁(yè)，至于如何parse的事情則由用戶自己完成。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的爬蟲可以每天獲取５００萬的網(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源。

• 授權(quán)協(xié)議： GPL
• 開發(fā)語言： C/C++
• 操作系統(tǒng)： Linux

特點(diǎn)：高性能的爬蟲軟件，只負(fù)責(zé)抓取不負(fù)責(zé)解析

22、Methabot

Methabot 是一個(gè)經(jīng)過速度優(yōu)化的高可配置的 WEB、FTP、本地文件系統(tǒng)的爬蟲軟件。

• 授權(quán)協(xié)議： 未知
• 開發(fā)語言： C/C++
• 操作系統(tǒng)： Windows Linux

特點(diǎn)：過速度優(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

23、NWebCrawler

NWebCrawler是一款開源，C#開發(fā)網(wǎng)絡(luò)爬蟲程序。

特性：

• 可配置：線程數(shù)，等待時(shí)間，連接超時(shí)，允許MIME類型和優(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：用戶可以設(shè)置優(yōu)先級(jí)的MIME類型。
• Robust: 10+ URL normalization rules, crawler trap avoiding rules.

授權(quán)協(xié)議： GPLv2

開發(fā)語言： 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)的爬蟲程序！原名“新浪微博爬蟲”。

登錄后，可以指定用戶為起點(diǎn)，以該用戶的關(guān)注人、粉絲為線索，延人脈關(guān)系搜集用戶基本信息、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)工作線程：爬取用戶基本信息的機(jī)器人、爬取用戶關(guān)系的機(jī)器人、爬取用戶標(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！最大限度挖掘爬蟲潛力！ 以現(xiàn)在測(cè)試的結(jié)果看，已經(jīng)能夠滿足自用。

本程序的特點(diǎn)：

1. 6個(gè)后臺(tái)工作線程，最大限度挖掘爬蟲性能潛力！
2. 界面上提供參數(shù)設(shè)置，靈活方便
3. 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
4. 自動(dòng)調(diào)整請(qǐng)求頻率，防止超限，也避免過慢，降低效率
5. 任意對(duì)爬蟲控制，可隨時(shí)暫停、繼續(xù)、停止爬蟲
6. 良好的用戶體驗(yàn)

授權(quán)協(xié)議： GPLv3

開發(fā)語言： C# .NET

操作系統(tǒng)： Windows

25、spidernet

spidernet是一個(gè)以遞歸樹為模型的多線程web爬蟲程序, 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
• 開發(fā)語言： C#
• 操作系統(tǒng)： Windows

github源代碼：https://github.com/nsnail/spidernet

特點(diǎn)：以遞歸樹為模型的多線程web爬蟲程序，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爬蟲框架。集成Lucene支持。該爬蟲可以從單個(gè)鏈接或一個(gè)鏈接數(shù)組開始，提供兩種遍歷模式：最大迭代和最大深度?？梢栽O(shè)置 過濾器限制爬回來的鏈接，默認(rèn)提供三個(gè)過濾器ServerFilter、BeginningPathFilter和 RegularExpressionFilter，這三個(gè)過濾器可用AND、OR和NOT聯(lián)合。在解析過程或頁(yè)面加載前后都可以加監(jiān)聽器。介紹內(nèi)容來自O(shè)pen-Open

• 開發(fā)語言： Java
• 操作系統(tǒng)： 跨平臺(tái)
• 授權(quán)協(xié)議： LGPL

特點(diǎn)：多線程，支持抓取PDF/DOC/EXCEL等文檔來源

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)的開源軟件，也是網(wǎng)站數(shù)據(jù)采集軟件類型中唯一一款開源軟件。盡管Soukey采摘開源，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
• 開發(fā)語言： 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

28、OpenWebSpider

OpenWebSpider是一個(gè)開源多線程Web Spider（robot：機(jī)器人，crawler：爬蟲)和包含許多有趣功能的搜索引擎。

• 授權(quán)協(xié)議： 未知
• 開發(fā)語言： PHP
• 操作系統(tǒng)： 跨平臺(tái)

特點(diǎn)：開源多線程網(wǎng)絡(luò)爬蟲，有許多有趣的功能

29、PhpDig

PhpDig是一個(gè)采用PHP開發(fā)的Web爬蟲和搜索引擎。通過對(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
• 開發(fā)語言： 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)圖形化以便更直觀的查看。

• 授權(quán)協(xié)議： GPL
• 開發(fā)語言： 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框架開發(fā)的開源的購(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

開發(fā)語言： PHP

操作系統(tǒng)： 跨平臺(tái)

ErLang爬蟲

32、Ebot

Ebot 是一個(gè)用 ErLang 語言開發(fā)的可伸縮的分布式網(wǎng)頁(yè)爬蟲，URLs 被保存在數(shù)據(jù)庫(kù)中可通過 RESTful 的 HTTP 請(qǐng)求來查詢。

• 授權(quán)協(xié)議： GPLv3
• 開發(fā)語言： 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

Ruby爬蟲

33、Spidr

Spidr 是一個(gè)Ruby 的網(wǎng)頁(yè)爬蟲庫(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。

• 開發(fā)語言： 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

原文地址：http://www.36dsj.com/archives/34383