亚洲国产AV一区二区三区久久_乱人妻中文字幕视频_91麻豆精品国产一级_精品国产欧美另类一区

      目前市場上爬蟲框架有很多，不同語言不同類型的爬蟲框架都有，然而在開發(fā)預(yù)研的時候?qū)τ谶x擇那種

    框架對于很多開發(fā)者來說尤為頭疼；

    本篇主要總結(jié)一下市場上主流的開發(fā)語言中有哪些主流的爬蟲框架，以及爬蟲框架的優(yōu)劣；希望在對你在選擇合適爬蟲框架中有所幫助。

    一、主流語言爬蟲框架列表：

主流語言爬蟲框架列表

    二、主流爬蟲框架簡介

    1、Java爬蟲框架

Java爬蟲框架

    1.1、Apache Nutch2

    鏈接地址:nutch.apache.org

    Nutch 是一個開源Java 實(shí)現(xiàn)的搜索引擎。它提供了我們運(yùn)行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬蟲。

    Nutch 致力于讓每個人能很容易, 同時花費(fèi)很少就可以配置世界一流的Web搜索引擎. 為了完成這一宏偉的目標(biāo), Nutch必須能夠做到:

    * 每個月取幾十億網(wǎng)頁

    * 為這些網(wǎng)頁維護(hù)一個索引

    * 對索引文件進(jìn)行每秒上千次的搜索

    Ⅰ、對索引文件進(jìn)行每秒上千次的搜索

    Ⅱ、提供高質(zhì)量的搜索結(jié)果

    簡單來說Nutch支持分布式，可以通過配置網(wǎng)站地址、規(guī)則、以及采集的深度(通用爬蟲或全網(wǎng)爬蟲)對網(wǎng)站進(jìn)行采集，并提供了全文檢索功能，可以對采集下來的海量數(shù)據(jù)進(jìn)行全文檢索；假如您想完成對站點(diǎn)所有內(nèi)容進(jìn)行采集，且不在乎采集和解析精度(不對特定頁面特定字段內(nèi)容采集)的需求，建議你使用Apache Nutch,假如您想對站點(diǎn)的指定內(nèi)容板塊指定字段采集，建議您使用垂直爬蟲較為靈活。

    1.2、webmgaic(推薦)

    鏈接地址:webmagic.io

    WebMagic是一個簡單靈活的Java爬蟲框架。基于WebMagic，你可以快速開發(fā)出一個高效、易維護(hù)的爬蟲。

    特性：簡單的API，可快速上手；模塊化的結(jié)構(gòu)，可輕松擴(kuò)展；提供多線程和分布式支持

    1.3、Heritrix

    鏈接地址:crawler.archive.org

    Heritrix 是一個由 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。

    1.4、WebCollector

    鏈接地址:github.com/CrawlScript/WebCollector

    WebCollector是一個無須配置、便于二次開發(fā)的JAVA爬蟲框架（內(nèi)核），它提供精簡的的API，只需少量代碼即可實(shí)現(xiàn)一個功能強(qiáng)大的爬蟲。WebCollector-Hadoop是WebCollector的Hadoop版本，支持分布式爬取。

    1.5、crawler4j

    鏈接地址::github.com/yasserg/crawler4j

    crawler4j是一款基于Java的輕量級單機(jī)開源爬蟲框架，最大的一個特點(diǎn)就是簡單。另外也支持多線程、支持代理、可以過濾重復(fù)URL

    基本上從加載jar到工程里面 通過修改示例的代碼就可以簡單的實(shí)現(xiàn)一個爬蟲的全部功能，而這一切動作加起來都不需要超過半個小時。

    1.6、Spiderman

    鏈接地址:m.gitee.com/l-weiwei/spiderman

    Spiderman 是一個Java開源Web數(shù)據(jù)抽取工具。它能夠收集指定的Web頁面并從這些頁面中提取有用的數(shù)據(jù)。 Spiderman主要是運(yùn)用了像XPath、正則、表達(dá)式引擎等這些技術(shù)來實(shí)現(xiàn)數(shù)據(jù)抽取。

    1.7、eimiCrawler

    鏈接地址:seimi.wanghaomiao.cn

    一個敏捷的，獨(dú)立部署的，支持分布式的Java爬蟲框架；

    SeimiCrawler是一個強(qiáng)大的，高效敏捷的，支持分布式的爬蟲開發(fā)框架，希望能在最大程度上降低新手開發(fā)一個可用性高且性能不差的爬蟲系統(tǒng)的門檻，以及提升開發(fā)爬蟲系統(tǒng)的開發(fā)效率。在SeimiCrawler的世界里，絕大多數(shù)人只需關(guān)心去寫抓取的業(yè)務(wù)邏輯就夠了，其余的Seimi幫你搞定。設(shè)計(jì)思想上SeimiCrawler受Python的爬蟲框架Scrapy啟發(fā)很大，同時融合了Java語言本身特點(diǎn)與Spring的特性，并希望在國內(nèi)更方便且普遍的使用更有效率的XPath解析HTML，所以SeimiCrawler默認(rèn)的HTML解析器是JsoupXpath,默認(rèn)解析提取HTML數(shù)據(jù)工作均使用XPath來完成（當(dāng)然，數(shù)據(jù)處理亦可以自行選擇其他解析器）。

    1.8、jsoup

    鏈接地址:jsoup.org

    jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數(shù)據(jù)。

    2、Python爬蟲框架

Python爬蟲框架

    2.1、scrapy (推薦)

    鏈接地址:scrapy.org

    Scrapy，Python開發(fā)的一個快速、高層次的屏幕抓取和web抓取框架，用于抓取web站點(diǎn)并從頁面中提取結(jié)構(gòu)化的數(shù)據(jù)。Scrapy用途廣泛，可以用于數(shù)據(jù)挖掘、監(jiān)測和自動化測試。

    Scrapy吸引人的地方在于它是一個框架，任何人都可以根據(jù)需求方便的修改。它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持。

    Scrap，是碎片的意思，這個Python的爬蟲框架叫Scrapy。

    2.2、Crawley

    鏈接地址:project.crawley-cloud.com

    高速爬取對應(yīng)網(wǎng)站的內(nèi)容，支持關(guān)系和非關(guān)系數(shù)據(jù)庫，數(shù)據(jù)可以導(dǎo)出為JSON、XML等

    2.3、Portia

    鏈接地址:scrapinghub.com/portia

    Portia 是一個用 Python 編寫無需任何編程知識，就能可視爬取網(wǎng)站數(shù)據(jù)的開源工具。無需下載或安裝任何東西，因?yàn)椋琍ortia 是運(yùn)行在您的 Web 瀏覽器中。

    Portia 是 scrapyhub 開源的一款可視化爬蟲規(guī)則編寫工具。Portia 提供了可視化的 Web 頁面，只需通過簡單點(diǎn)擊，標(biāo)注頁面上需提取的相應(yīng)數(shù)據(jù)，無需任何編程知識即可完成爬取規(guī)則的開發(fā)。這些規(guī)則還可在 Scrapy 中使用，用于抓取頁面。

    2.4、PySpider

    鏈接地址:www.pyspider.cn

    PySpider：一個國人編寫的強(qiáng)大的網(wǎng)絡(luò)爬蟲系統(tǒng)并帶有強(qiáng)大的WebUI。采用Python語言編寫，分布式架構(gòu)，支持多種數(shù)據(jù)庫后端，強(qiáng)大的WebUI支持腳本編輯器，任務(wù)監(jiān)視器，項(xiàng)目管理器以及結(jié)果查看器。

    2.5、grab

    鏈接地址:www.imscraping.ninja/posts/introducing-grab-framework-python-webscraping/

    網(wǎng)絡(luò)爬蟲框架(基于pycurl/multicur)。

    2.6、cola

    鏈接地址:ithub.com/chineking/cola

    一個分布式爬蟲框架。項(xiàng)目整體設(shè)計(jì)有點(diǎn)糟，模塊間耦合度較高，不過值得借鑒。

    3、PHP爬蟲框架

PHP爬蟲框架

    3.1、phpspider

    鏈接地址:github.com/owner888/phpspider

    phpspider是一個爬蟲開發(fā)框架。使用本框架，你不用了解爬蟲的底層技術(shù)實(shí)現(xiàn)，爬蟲被網(wǎng)站屏蔽、有些網(wǎng)站需要登錄或驗(yàn)證碼識別才能爬取等問題。簡單幾行PHP代碼，就可以創(chuàng)建自己的爬蟲，利用框架封裝的多進(jìn)程Worker類庫，代碼更簡潔，執(zhí)行效率更高速度更快。

    3.2、Beanbun

    鏈接地址:www.beanbun.org/#/

    Beanbun 是用 PHP 編寫的多進(jìn)程網(wǎng)絡(luò)爬蟲框架，具有良好的開放性、高可擴(kuò)展性。

    支持守護(hù)進(jìn)程與普通兩種模式（守護(hù)進(jìn)程模式只支持 Linux 攀枝花服務(wù)器）

    默認(rèn)使用 Guzzle 進(jìn)行爬取

    支持分布式

    支持內(nèi)存、Redis 等多種隊(duì)列方式

    支持自定義URI過濾

    支持廣度優(yōu)先和深度優(yōu)先兩種爬取方式

    遵循 PSR-4 標(biāo)準(zhǔn)

    爬取網(wǎng)頁分為多步，每步均支持自定義動作（如添加代理、修改 user-agent 等）

    靈活的擴(kuò)展機(jī)制，可方便的為框架制作插件：自定義隊(duì)列、自定義爬取方式…

    3.3、PHPCrawl

    鏈接地址:phpcrawl.cuab.de

    PHPCrawl是一個PHP開源的Web檢索蜘蛛(爬蟲)類庫。PHPCrawl抓取工具“ Spider ”的網(wǎng)站，并提供一切有關(guān)網(wǎng)頁，鏈接，文件等信息。

    PHPCrawl povides可以選擇性的指定的爬蟲的行為，比如喜歡網(wǎng)址、內(nèi)容類型，過濾器、 cookie的處理等方式。

    4、c#爬蟲框架

c#爬蟲框架

    4.1、DotnetSpider

    鏈接地址:www.dotnetspider.com

    DotnetSpider這是國人開源的一個跨平臺、高性能、輕量級的爬蟲軟件，采用 C# 開發(fā)。目前是.Net開源爬蟲最為優(yōu)秀的爬蟲之一。

    4.2、NWebCrawler

    鏈接地址:nwebcrawler.codeplex.com

    NWebCrawler是一款開源的C#網(wǎng)絡(luò)爬蟲程序更多NWebCrawler

    4.3、SmartSpider

    鏈接地址:www.softpedia.com/get/Internet/Download-Managers/SmartSpider.shtml

    SmartSpider爬蟲引擎內(nèi)核版，全新的設(shè)計(jì)理念，真正的極簡版本。

    4.4、Abot

    鏈接地址:github.com/sjdirect/abot

    Abot是一個開源的.net爬蟲，速度快，易于使用和擴(kuò)展。

    4.5、xNet

    鏈接地址:github.com/X-rus/xNet

    這個一個俄國牛人寫的開源工具，為啥說他強(qiáng)悍了，因?yàn)樗麑⑺蠬ttp協(xié)議的底層都實(shí)現(xiàn)了一遍，這有啥好處？只要你是寫爬蟲的，都會遇到一個讓人抓狂的問題，就是明明知道自己Http請求頭跟瀏覽器一模一樣了，為啥還會獲取不到自己想要的數(shù)據(jù)。這時你如果使用HttpWebReaquest，你只能調(diào)試到GetRespone，底層的字節(jié)流是調(diào)試不到了。所以必須得有個更深入的底層組件，方便自己調(diào)試。

    4.6、AngleSharp

    鏈接地址:anglesharp.github.io

    解析HTML利器AngleSharp介紹解析HTML利器AngleSharp介紹AngleSharp是基于.NET（C#）開發(fā)的專門為解析xHTML源碼的DLL組件。

    4.7、HtmlAgilityPack

    鏈接地址:htmlagilitypack.codeplex.com

    HtmlAgilityPack 是 .NET 下的一個 HTML 解析類庫。支持用 XPath 來解析 HTML 。命名空間： HtmlAgilityPack

    4.8、CSQuery

    鏈接地址:github.com/jamietre/CsQuery

    CsQuery 犀利的html代碼分析庫，像jq一樣用c#處理html

    5、C/C++爬蟲框架

C/C++爬蟲框架

    open-source-search-engine

    鏈接地址:github.com/gigablast/open-source-search-engine

    基于C/C++開發(fā)的網(wǎng)絡(luò)爬蟲和搜索引擎.

    5.1、Cobweb

    鏈接地址:github.com/stewartmckee/cobweb

    非常靈活，易于擴(kuò)展的網(wǎng)絡(luò)爬蟲，可以單點(diǎn)部署使用.

    5.2、upton

    鏈接地址:github.com/propublica/upton

    一個易于上手的爬蟲框架集合，支持CSS選擇器.

    5.3、wombat

    鏈接地址:github.com/felipecsl/wombat

    基于Ruby天然的支持DSL的網(wǎng)絡(luò)爬蟲，易于提取網(wǎng)頁正文數(shù)據(jù).

    5.4、Spidr

    鏈接地址:github.com/postmodern/spidr

    全站數(shù)據(jù)采集，支持無限的網(wǎng)站鏈接地址采集.

    5.5、Larbin

    鏈接地址:larbin.sourceforge.net/download.html

    larbin是一種開源的網(wǎng)絡(luò)爬蟲/網(wǎng)絡(luò)蜘蛛，由法國的年輕人Sébastien Ailleret獨(dú)立開發(fā)，用c++語言實(shí)現(xiàn)。larbin目的是能夠跟蹤頁面的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只是一個爬蟲，也就是說larbin只抓取網(wǎng)頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數(shù)據(jù)庫以及建立索引的事情 larbin也不提供。

    larbin最初的設(shè)計(jì)也是依據(jù)設(shè)計(jì)簡單但是高度可配置性的原則，因此我們可以看到，一個簡單的larbin的爬蟲可以每天獲取500萬的網(wǎng)頁，實(shí)在是非常高效。

    利用larbin，我們可以輕易的獲取/確定單個網(wǎng)站的所有聯(lián)結(jié)，甚至可以鏡像一個網(wǎng)站；也可以用它建立url 列表群，例如針對所有的網(wǎng)頁進(jìn)行 url retrive后，進(jìn)行xml的聯(lián)結(jié)的獲取。或者是 mp3，或者定制larbin，可以作為搜索引擎的信息的來源。

以上文章來源于網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系創(chuàng)一網(wǎng)的客服處理。謝謝！