各大主流編程語言常用爬蟲框架以及優劣分析

　　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，然而在開發預研的時候對于選擇那種

　　框架對于很多開發者來說尤為頭疼；

　　本篇主要總結一下市場上主流的開發語言中有哪些主流的爬蟲框架，以及爬蟲框架的優劣；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：

　　二、主流爬蟲框架簡介

　　1、Java爬蟲框架

　　1.1、Apache Nutch2

　　鏈接地址:nutch.apache.org

　　Nutch 是一個開源Java 實現的搜索引擎。它提供了我們運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, Nutch必須能夠做到:

　　* 每個月取幾十億網頁

　　* 為這些網頁維護一個索引

　　* 對索引文件進行每秒上千次的搜索

　　Ⅰ、對索引文件進行每秒上千次的搜索

　　Ⅱ、提供高質量的搜索結果

　　簡單來說Nutch支持分布式，可以通過配置網站地址、規則、以及采集的深度(通用爬蟲或全網爬蟲)對網站進行采集，并提供了全文檢索功能，可以對采集下來的海量數據進行全文檢索；假如您想完成對站點所有內容進行采集，且不在乎采集和解析精度(不對特定頁面特定字段內容采集)的需求，建議你使用Apache Nutch,假如您想對站點的指定內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，你可以快速開發出一個**、易維護的爬蟲。

　　特性：簡單的API，可快速上手；模塊化的結構，可輕松擴展；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 開發的、開源的網絡爬蟲，用戶可以使用它來從網上抓取想要的資源。其** 出色之處在于它良好的可擴展性，方便用戶實現自己的抓取邏輯。

　　1.4、WebCollector

　　鏈接地址:github.com/CrawlScript/WebCollector

　　WebCollector是一個無須配置、便于二次開發的JAVA爬蟲框架（內核），它提供精簡的的API，只需少量代碼即可實現一個功能強大的爬蟲。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的輕量級單機開源爬蟲框架，** 大的一個特點就是簡單。另外也支持多線程、支持代理、可以過濾重復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現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數據抽取工具。它能夠收集指定的Web頁面并從這些頁面中提取有用的數據。 Spiderman主要是運用了像XPath、正則、表達式引擎等這些技術來實現數據抽取。

　　1.7、eimiCrawler

　　鏈接地址:seimi.wanghaomiao.cn

　　一個敏捷的，獨立部署的，支持分布式的Java爬蟲框架；

　　SeimiCrawler是一個強大的，**敏捷的，支持分布式的爬蟲開發框架，希望能在** 大程度上降低新手開發一個可用性高且性能不差的爬蟲系統的門檻，以及提升開發爬蟲系統的開發效率。在SeimiCrawler的世界里，絕大多數人只需關心去寫抓取的業務邏輯就夠了，其余的Seimi幫你搞定。設計思想上SeimiCrawler受Python的爬蟲框架Scrapy啟發很大，同時融合了Java語言本身特點與Spring的特性，并希望在國內更方便且普遍的使用更有效率的XPath解析htmL，所以SeimiCrawler默認的HTML解析器是JsoupXpath,默認解析提取HTML數據工作均使用XPath來完成（當然，數據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據。

　　2、Python爬蟲框架

　　2.1、scrapy (推薦)

　　鏈接地址:scrapy.org

　　Scrapy，Python開發的一個快速、高層次的屏幕抓取和web抓取框架，用于抓取web站點并從頁面中提取結構化的數據。Scrapy用途廣泛，可以用于數據挖掘、監測和自動化測試。

　　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，** 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

　　高速爬取對應網站的內容，支持關系和非關系數據庫，數據可以導出為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，就能可視爬取網站數據的開源工具。無需下載或安裝任何東西，因為，Portia 是運行在您的 Web 瀏覽器中。

　　Portia 是 scrapyhub 開源的一款可視化爬蟲規則編寫工具。Portia 提供了可視化的 Web 頁面，只需通過簡單點擊，標注頁面上需提取的相應數據，無需任何編程知識即可完成爬取規則的開發。這些規則還可在 Scrapy 中使用，用于抓取頁面。

　　2.4、PySpider

　　鏈接地址:

　　PySpider：一個國人編寫的強大的網絡爬蟲系統并帶有強大的WebUI。采用Python語言編寫，分布式架構，支持多種數據庫后端，強大的WebUI支持腳本編輯器，任務監視器，項目管理器以及結果查看器。

　　2.5、grab

　　鏈接地址:

　　網絡爬蟲框架(基于pycurl/multicur)。

　　2.6、cola

　　鏈接地址:ithub.com/chineking/cola

　　一個分布式爬蟲框架。項目整體設計有點糟，模塊間耦合度較高，不過值得借鑒。

　　3、php爬蟲框架

　　3.1、phpspider

　　鏈接地址:github.com/owner888/phpspider

　　phpspider是一個爬蟲開發框架。使用本框架，你不用了解爬蟲的底層技術實現，爬蟲被網站屏蔽、有些網站需要登錄或驗證碼識別才能爬取等問題。簡單幾行PHP代碼，就可以創建自己的爬蟲，利用框架封裝的多進程Worker類庫，代碼更簡潔，執行效率更高速度更快。

　　3.2、Beanbun

　　鏈接地址:

　　Beanbun 是用 PHP 編寫的多進程網絡爬蟲框架，具有良好的開放性、高可擴展性。

　　支持守護進程與普通兩種模式（守護進程模式只支持 Linux 服務器）

　　默認使用 Guzzle 進行爬取

　　支持分布式

　　支持內存、Redis 等多種隊列方式

　　支持自定義URI過濾

　　支持廣度優先和深度優先兩種爬取方式

　　遵循 PSR-4 標準

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

　　靈活的擴展機制，可方便的為框架制作插件：自定義隊列、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 ”的網站，并提供一切有關網頁，鏈接，文件等信息。

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

　　4、c#爬蟲框架

　　4.1、DotnetSpider

　　鏈接地址:

　　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。目前是.Net開源爬蟲** 為很好的爬蟲之一。

　　4.2、NWebCrawler

　　鏈接地址:nwebcrawler.codeplex.com

　　NWebCrawler是一款開源的C#網絡爬蟲程序更多NWebCrawler

　　4.3、SmartSpider

　　鏈接地址:

　　SmartSpider爬蟲引擎內核版，全新的設計理念，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，為啥說他強悍了，因為他將所有HTTP協議的底層都實現了一遍，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據。這時你如果使用HttpWebReaquest，你只能調試到GetRespone，底層的字節流是調試不到了。所以必須得有個更深入的底層組件，方便自己調試。

　　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

　　open-source-search-engine

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

　　基于C/C++開發的網絡爬蟲和搜索引擎.

　　5.1、Cobweb

　　鏈接地址:github.com/stewartmckee/cobweb

　　非常靈活，易于擴展的網絡爬蟲，可以單點部署使用.

　　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的網絡爬蟲，易于提取網頁正文數據.

　　5.4、Spidr

　　鏈接地址:github.com/postmodern/spidr

　　全站數據采集，支持無限的網站鏈接地址采集.

　　5.5、Larbin

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

　　larbin是一種開源的網絡爬蟲/網絡蜘蛛，由法國的年輕人Sébastien Ailleret獨立開發，用c++語言實現。larbin目的是能夠跟蹤頁面的url進行擴展的抓取，** 后為搜索引擎提供廣泛的數據來源。 Larbin只是一個爬蟲，也就是說larbin只抓取網頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數據庫以及建立索引的事情 larbin也不提供。

　　larbin** 初的設計也是依據設計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500萬的網頁，實在是非常**。

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