JAVA开源爬虫列表及简介

转自：http://datahref.com/archives/116

本文列举了一些较为常用的JAVA开源爬虫框架：

1.Apache Nutch

官方网站：http://nutch.apache.org/

是否支持分布式：是

可扩展性：中。Apache Nutch并不是一个可扩展性很强的爬虫，它是一个专门为搜索引擎定制的网络爬虫，虽然Apache Nutch具有一套强大的插件机制，但通过定制插件并不能修改爬虫的遍历算法、去重算法和爬取流程。

适用性：Apache Nutch是为搜索引擎定制的爬虫，具有一套适合搜索引擎的URL维护机制（包括URL去重、网页更新等），但这套机制并不适合目前大多数的精抽取业务（即结构化数据采集）。

上手难易度：难。需要使用者熟悉网络爬虫原理、hadoop开发基础及linux shell，且需要熟悉Apache Ant

技术讨论群：12077868

2.WebCollector

官方网站：https://github.com/CrawlScript/WebCollector

是否支持分布式：该框架同时包含了单机版和分布式版两个版本

可扩展性：强

适用性：WebCollector适用于精抽取业务。

上手难易度：简单

技术讨论群：250108697 345054141

3.WebMagic

官方网站：http://git.oschina.net/flashsword20/webmagic

是否支持分布式：否

可扩展性：强

适用性：WebMagic适用于精抽取业务。

上手难易度：简单。

技术讨论群：373225642

4.Crawler4j

官方网站：https://github.com/yasserg/crawler4j

是否支持分布式：否

可扩展性：低。Crawler4j实际上是一个单机版的垂直爬虫，其遍历算法是一种类似泛爬的算法，虽然可以添加一些限制，但仍不能满足目前大部分的精抽取业务。另外，Crawler4j并没有提供定制http请求的接口，因此Crawler4j并不适用于需要定制http请求的爬取业务（例如模拟登陆、多代理切换）。

上手难易度：简单