开源爬虫软件汇总

开源爬虫软件汇总开发语言
软件名称
软件介绍
许可证
Java
Arachnid
微型爬虫框架，含有一个小型HTML解析器
GPL
crawlzilla
安装简易，拥有中文分词功能
Apache2
Ex-Crawler
由守护进程执行，使用数据库存储网页信息GPLv3
Heritrix
严格遵照robots文件的排除指示和META robots标签LGPL
heyDr
轻量级开源多线程垂直检索爬虫框架
GPLv3
ItSucks
提供swing GUI操作界面
不详
jcrawl
轻量、性能优良，可以从网页抓取各种类型的文件Apache
JSpider
功能强大，容易扩展
LGPL
Leopdo
包括全文和分类垂直搜索，以及分词系统Apache
MetaSeeker
网页抓取、信息提取、数据抽取工具包，操作简单不详
Playfish
通过XML配置文件实现高度可定制性与可扩展性
MIT
Spiderman
灵活、扩展性强，微内核+插件式架构，通过简单的配置就可以完成数据抓取，无需编写一句代码
Apache
webmagic
功能覆盖整个爬虫生命周期，使用Xpath和正则表达式进行链接和内容的提取
Apache
Web-Harvest
运用XSLT、XQuery、正则表达式等技术来实现对Text或XML的操作，具有可视化的界面
BSD
WebSPHINX
由两部分组成：爬虫工作平台和WebSPHINX类包
Apache
YaCy
基于P2P的分布式Web搜索引擎
GPL
Python
QuickRecon
具有查找子域名名称、收集电子邮件地址并寻找人际关系等功能
GPLv3
PyRailgun
简洁、轻量、高效的网页抓取框架
MIT
Scrapy
基于Twisted的异步处理框架，文档齐全BSD
C++
hispider
支持多机分布式下载, 支持网站定向下载
BSD
larbin
高性能的爬虫软件，只负责抓取不负责解析
GPL
Methabot
经过速度优化、可抓取WEB、FTP及本地文件系统
不详
Methanol
模块化、可定制的网页爬虫，速度快不详
C#
NWebCrawler
统计信息、执行过程可视化
GPLv2
Sinawler
国内第一个针对微博数据的爬虫程序，功能强大
GPLv3
spidernet
以递归树为模型的多线程web爬虫程序，支持以GBK (gb2312)和utf8编码的资源，使用sqlite存储数据
MIT
Web Crawler
多线程，支持抓取PDF/DOC/EXCEL等文档来源LGPL
网络矿工
功能丰富，毫不逊色于商业软件
BSD
PHP
OpenWebSpider
开源多线程网络爬虫，有许多有趣的功能
不详
PhpDig
适用于专业化强、层次更深的个性化搜索引擎GPL
Snoopy
具有采集网页内容、提交表单功能
GPL
ThinkUp
采集推特、脸谱等社交网络数据的社会媒体视角引擎，可进行交互分析并将结果以可视化形式展现
GPL
微购
可采集淘宝、京东、当当等300多家电子商务数据
GPL
ErLang
Ebot
可伸缩的分布式网页爬虫
GPLv3
Ruby
Spidr
可将一个或多个网站、某个链接完全抓取到本地
MIT
开发语言软件名称软件介绍许可证Java Arachnid
微型爬虫框架，含有一个小型HTML解析器GPL
crawlzilla
安装简易，拥有中文分词功能
Apache2
Ex-Crawler
由守护进程执行，使用数据库存储网页信息GPLv3
Heritrix
严格遵照robots文件的排除指示和META robots标签LGPL
heyDr
轻量级开源多线程垂直检索爬虫框架
GPLv3
ItSucks
提供swing GUI操作界面
不详
jcrawl
轻量、性能优良，可以从网页抓取各种类型的文件Apache
JSpider
功能强大，容易扩展
LGPL
Leopdo
包括全文和分类垂直搜索，以及分词系统Apache
MetaSeeker
网页抓取、信息提取、数据抽取工具包，操作简单不详
Playfish
通过XML配置文件实现高度可定制性与可扩展性
MIT
Spiderman
灵活、扩展性强，微内核+插件式架构，通过简单的配置就可以完成数据抓取，无需编写一句代码
Apache
webmagic
功能覆盖整个爬虫生命周期，使用Xpath和正则表达式进行
链接和内容的提取
Apache
Web-Harvest
运用XSLT、XQuery、正则表达式等技术来实现对Text或XML的操作，具有可视化的界面
BSD
WebSPHINX
由两部分组成：爬虫工作平台和WebSPHINX类包
YaCy
基于P2P的分布式Web搜索引擎
GPL
Python
QuickRecon
具有查找子域名名称、收集电子邮件地址并寻找人际关系等功能
PyRailgun
简洁、轻量、高效的网页抓取框架
MIT
Scrapy
基于Twisted的异步处理框架，文档齐全BSD
C++
hispider
支持多机分布式下载, 支持网站定向下载BSD
larbin
高性能的爬虫软件，只负责抓取不负责解析GPL
Methabot
经过速度优化、可抓取WEB、FTP及本地文件系统不详
Methanol
模块化、可定制的网页爬虫，速度快
不详
C#
NWebCrawler
统计信息、执行过程可视化
GPLv2
Sinawler
国内第一个针对微博数据的爬虫程序，功能强大GPLv3
spidernet
以递归树为模型的多线程web爬虫程序，支持以GBK (gb2312)和utf8编码的资源，使用sqlite存储数据
MIT
Web Crawler
多线程，支持抓取PDF/DOC/EXCEL等文档来源LGPL
网络矿工
功能丰富，毫不逊色于商业软件
BSD
PHP
OpenWebSpider
开源多线程网络爬虫，有许多有趣的功能
不详
PhpDig
适用于专业化强、层次更深的个性化搜索引擎GPL
Snoopy
具有采集网页内容、提交表单功能
GPL
ThinkUp
采集推特、脸谱等社交网络数据的社会媒体视角引擎，可进行交互分析并将结果以可视化形式展现
GPL
微购
可采集淘宝、京东、当当等300多家电子商务数据
GPL
ErLang
Ebot
可伸缩的分布式网页爬虫GPLv3
Ruby
Spidr
可将一个或多个网站、某个链接完全抓取到本地MIT。