开源网络爬虫汇总

Awesome-crawler-cn

互联网爬虫，蜘蛛，数据采集器，网页解析器的汇总，因新技术不断发展，新框架层出不穷，此文会不断更新...

交流讨论

1. 欢迎推荐你知道的开源网络爬虫，网页抽取框架.
2. 开源网络爬虫QQ交流群:322937592
3. email address: liinux at qq.com

Python

• Scrapy - 一种高效的屏幕,网页数据采集框架。
  • django-dynamic-scraper - 基于Scrapy内核由django Web框架开发的爬虫。
  • Scrapy-Redis - 基于Scrapy内核采用Redis组件的爬虫。
  • scrapy-cluster - 基于Scrapy内核采用Redis 和 Kafka 开发的分布式爬虫框架。
  • distribute_crawler - 基于Scrapy内核采用redis, mongodb开发的分布式爬虫框架。
• pyspider - 一个强大纯python的数据采集系统.
• cola - 一个分布式的爬虫框架.
• Demiurge - 基于PyQuery的微型爬虫框架.
• Scrapely - 一个纯python的HTML页面捕捉库.
• feedparser - 一个通用的feed解析器.
• you-get - 静默网站爬去下载器.
• Grab - 网站采集框架.
• MechanicalSoup - 一个自动化的互动网站Python库.
• portia - 基于Scrapy的可视化数据采集框架.
• crawley - 基于非阻塞通信(NIO)的python爬虫框架.
• RoboBrowser - 一个简单的，不基于Web浏览器的基于Python的Web 浏览器.
• MSpider - 一个基于gevent(协程网络库)的python爬虫.
• brownant - 一个轻量级的网络数据抽取框架.

Java

• Apache Nutch - 用于生产环境的高度可扩展的高度可扩展的网络爬虫.
  • anthelion - 一个基于Apache Nutch抓取语义注释在HTML页面插件.
• Crawler4j - 简单和轻量级的网络爬虫.
• JSoup - 采集，分析，处理和清洗HTML页面.
• websphinx - HTML网站特定的处理、信息提取.
• Open Search Server - 全套搜索功能，建立你自己的索引策略。分析、提取全文数据，这个框架可以索引的一切.
• Gecco - 一个易于使用的轻量级网络爬虫.
• WebCollector -简单的抓取网页的界面，可以在不到5分钟内部署一个多线程的网络爬虫.
• Webmagic -一个可扩展的爬虫框架.
• Spiderman -一个可扩展的，多线程的网络爬虫.
  • Spiderman2 - 分布式网络爬虫框架，支持javascript渲染.
• Heritrix3 - 可扩展，大规模的网络爬虫项目.
• SeimiCrawler - 一个敏捷的分布式爬虫框架.
• StormCrawler - 基于开放源代码、构建低延迟的网络资源采集框架，基于Apache Storm.
• Spark-Crawler - 基于Apache Nutch 的网络爬虫，可以运行于Spark.

C#

• ccrawler - 一个简单的Web内容分类方案，它可以根据其内容分开网页,基于C#3.5.
• SimpleCrawler - 简单的多线程网络爬虫，基于REG表达式.
• DotnetSpider - 基于C#开发的一个轻量级，交叉平台的网络爬虫.
• Abot - 具有很好效率和可扩展性的C#网络爬虫.
• Hawk -  用 C#/WPF开发的网络爬虫，具有简单的ETL功能.
• SkyScraper - 一个支持异步网络和有很好扩展性的网络爬虫.

JavaScript

• scraperjs - 基于JS的一个功能齐全的网络爬虫.
• scrape-it - 基于Node.js的网络爬虫.
• simplecrawler - 基于事件驱动开发的网络爬虫.
• node-crawler - 提供简单API，适于二次开发的网络爬虫.
• js-crawler - 基于Node.JS,支持HTTP(S)的网络爬虫.
• x-ray - 支持分页的网络爬虫.
• node-osmosis - 基于Node.js适于解析HTML结构的网络爬虫.

PHP

• Goutte - 基于PHP的网页截屏和爬取程序.
  • laravel-goutte - 基于Laravel 5 的网络爬虫.
• dom-crawler - 易于抽取DOM文件的网络爬虫.
• pspider - 基于PHP的并发网络爬虫.
• php-spider - 一个基于PHP的高可扩展的网络爬虫.

C++

• open-source-search-engine - 基于C/C++开发的网络爬虫和搜索引擎.

C

• httrack - 全部网站整体复制工具。 ## Ruby
• upton - 一个易于上手的爬虫框架集合，支持CSS选择器.
• wombat - 基于Ruby天然的支持DSL的网络爬虫，易于提取网页正文数据.
• RubyRetriever - 基于Ruby的网站数据采集和全网数据收割机.
• Spidr - 全站数据采集，支持无限的网站链接地址采集.
• Cobweb - 非常灵活，易于扩展的网络爬虫，可以单点部署使用.
• mechanize - 自动采集网站数据的框架.

R

• rvest - 基于R开发的简单网络爬虫.

Erlang

• ebot - 一个分布式，高可扩展的网络爬虫.

Perl

• web-scraper - 方便使用HTML、CSS、XPath选择器的网络爬虫。

Go

• pholcus - 一个分布式，支持高并发的网络爬虫.
• gocrawl - 一个高并发的，轻量级，遵守道德的网络爬虫.
• fetchbot -一个遵守robots.txt规则和延迟规则的轻量级网络爬虫.
• go_spider - 一个非常好的高并发网络爬虫.
• dht -支持DHT协议的网络爬虫.
• ants-go - 基于Golang的高并行网络爬虫.
• scrape - 一个简单的提供很好开发接口的网络爬虫.

Scala

• crawler - 基于Scala DSL的网络爬虫.
• scrala - 由Scala开发基于scrapy内核的网络爬虫.
• ferrit - 基于Scala开发使用了Akka, Spray，Cassandra的网络爬虫.