免費開源的爬蟲軟體

A. 有哪些開源的爬蟲，網頁抓取 的框架或工具

可以試下爬一爬採集器，直接抓取網頁數據，是開源的爬蟲。博客園有文章，可以搜搜看。

B. java開源web爬蟲哪個好用

1.nutch
地址：apache/nutch · GitHub
apache下的開源爬蟲程序，功能豐富，文檔完整。有數據抓取解析以及存儲的模塊。

2.Heritrix
地址：internetarchive/heritrix3 · GitHub
很早就有了，經歷過很多次更新，使用的人比較多，功能齊全，文檔完整，網上的資料也多。有自己的web管理控制台，包含了一個HTTP 伺服器。操作者可以通過選擇Crawler命令來操作控制台。

3.crawler4j
地址：yasserg/crawler4j · GitHub
因為只擁有爬蟲的核心功能，所以上手極為簡單，幾分鍾就可以寫一個多線程爬蟲程序。

當然，上面說的nutch有的功能比如數據存儲不代表Heritrix沒有，反之亦然。具體使用哪個合適還需要仔細閱讀文檔並配合實驗才能下結論啊~
還有比如JSpider，WebEater，Java Web Crawler，WebLech，Ex-Crawler，JoBo等等，這些沒用過，不知道。。。

C. 有哪些好用的爬蟲軟體

推薦如下：

1、神箭手雲爬蟲。

神箭手雲是一個大數據應用開發平台，為開發者提供成套的數據採集、數據分析和機器學習開發工具，為企業提供專業化的數據抓取、數據實時監控和數據分析服務。功能強大，涉及雲爬蟲、API、機器學習、數據清洗、數據出售、數據訂制和私有化部署等。

簡介：

網路爬蟲（又稱為網頁蜘蛛，網路機器人，在FOAF社區中間，更經常的稱為網頁追逐者），是一種按照一定的規則，自動地抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。

D. 「求助」有沒有Python寫的開源的網路爬蟲軟

有個非常好用的開源Python網路爬蟲，名字叫做PySpider，它支持多線程爬取、JS動態解析，而且是Web操作界面，安裝好後可以用瀏覽器訪問本機的5000埠來進行爬取操作。

E. java開源web爬蟲哪個好用

Lucene+nutch+heritrix網上可以找得到源代碼，開源的搜索引擎，包含爬蟲、檢索等功能。

Heritrix是一個爬蟲框架，可加如入一些可互換的組件。 它的執行是遞歸進行的，主要有以下幾步： 1。在預定的URI中選擇一個。 2。獲取URI 3。分析，歸檔結果 4。選擇已經發現的感興趣的URI。加入預定隊列。 5。標記已經處理過的URI 是IA的開放源代碼，可擴展的，基於整個Web的，歸檔網路爬蟲工程 Heritrix工程始於2003年初，IA的目的是開發一個特殊的爬蟲，對網上的 資源進行歸檔，建立網路數字圖書館，在過去的6年裡，IA已經建立了400TB的數據。 最新版本:heritrix-1.15.4 IA期望他們的crawler包含以下幾種： 寬頻爬蟲：能夠以更高的帶寬去站點爬。 主題爬蟲：集中於被選擇的問題。 持續爬蟲：不僅僅爬更當前的網頁還負責爬日後更新的網頁。 實驗爬蟲：對爬蟲技術進行實驗，以決定該爬什麼，以及對不同協議的爬蟲 爬行結果進行分析的。 Heritrix的主頁是http://crawler.archive.org Heritrix是一個爬蟲框架，可加如入一些可互換的組件。 它的執行是遞歸進行的，主要有以下幾步： 1。在預定的URI中選擇一個。 2。獲取URI 3。分析，歸檔結果 4。選擇已經發現的感興趣的URI。加入預定隊列。 5。標記已經處理過的URI
[編輯本段]部件
主要部件
Heritrix主要有三大部件：范圍部件，邊界部件，處理器鏈 范圍部件：主要按照規則決定將哪個URI入隊。 邊界部件：跟蹤哪個預定的URI將被收集，和已經被收集的URI，選擇下一個 URI，剔除已經處理過的URI。 處理器鏈：包含若干處理器獲取URI，分析結果，將它們傳回給邊界部件
其餘部件
WEB管理控制台：大多數都是單機的WEB應用，內嵌JAVA HTTP 伺服器。 操作者可以通過選擇Crawler命令來操作控制台。 Crawler命令處理部件：包含足夠的信息創建要爬的URI。 Servercache（處理器緩存）：存放伺服器的持久信息，能夠被爬行部件隨時查到，包括IP地址，歷史記錄，機器人策略。 處理器鏈： 預取鏈：主要是做一些准備工作，例如，對處理進行延遲和重新處理，否決隨後的操作。 提取鏈：主要是獲得資源，進行DNS轉換，填寫請求和響應表單 抽取鏈：當提取完成時，抽取感興趣的HTML，JavaScript，通常那裡有新的也適合的URI，此時URI僅僅被發現，不會被評估 寫鏈：存儲爬行結果，返回內容和抽取特性，過濾完存儲。 提交鏈：做最後的維護，例如，測試那些不在范圍內的，提交給邊界部件
[編輯本段]關鍵特性
Heritrix 1.0.0包含以下關鍵特性： 1.用單個爬蟲在多個獨立的站點一直不斷的進行遞歸的爬。 2。從一個提供的種子進行爬，收集站點內的精確URI，和精確主機。 3。主要是用廣度優先演算法進行處理。 4。主要部件都是高效的可擴展的 5。良好的配置，包括： a。可設置輸出日誌，歸檔文件和臨時文件的位置 b。可設置下載的最大位元組，最大數量的下載文檔，和最大的下載時間。 c。可設置工作線程數量。 d。可設置所利用的帶寬的上界。 e。可在設置之後一定時間重新選擇。 f。包含一些可設置的過濾機制，表達方式，URI路徑深度選擇等等。 Heritrix的局限： 1。單實例的爬蟲，之間不能進行合作。 2。在有限的機器資源的情況下，卻要復雜的操作。 3。只有官方支持，僅僅在Linux上進行了測試。 4。每個爬蟲是單獨進行工作的，沒有對更新進行修訂。 5。在硬體和系統失敗時，恢復能力很差。

F. 目前有哪些比較著名的網路爬蟲開源項目可供學習

最好的爬蟲語言是前嗅的ForeSpider爬蟲腳本語言。是一門專門的爬蟲腳本語言，而不是爬蟲框架，可以用簡單幾行代碼，實現非常強大的爬蟲功能。
ForeSpider是可視化的通用性採集軟體，同時內置了強大的爬蟲腳本語言。如果有通過可視化採集不到的內容，都可以通過簡單幾行代碼，實現強大的腳本採集。軟體同時支持正則表達式操作，可以通過可視化、正則、腳本任意方式，實現對數據的清洗、規范。

對於一些高難度的網站，反爬蟲措施比較多，可以使用ForeSpider內部自帶的爬蟲腳本語言系統，簡單幾行代碼就可以採集到高難度的網站。比如國家自然基金會網站、全國企業信息公示系統等，最高難度的網站完全沒有問題。
在通用性爬蟲中，ForeSpider爬蟲的採集速度和採集能力是最強的，支持登錄、Cookie、Post、https、驗證碼、JS、Ajax、關鍵詞搜索等等技術的採集，採集效率在普通台式機上，可以達到500萬條數據/每天。這樣的採集速度是一般的通用性爬蟲的8到10倍。
對於大量的網站採集需求而言，ForeSpider爬蟲可以在規則模板固定之後，開啟定時採集。支持數據多次清洗。
對於關鍵詞搜索的需求而言，ForeSpider爬蟲支持關鍵詞搜索和數據挖掘功能，自帶關鍵詞庫和數據挖掘字典，可以有效採集關鍵詞相關的內容。
可以去下載免費版，免費版不限制採集功能。有詳細的操作手冊可以學習。

G. 網路爬蟲,用什麼軟體最好啊

前嗅ForeSpider數據採集系統是天津市前嗅網路科技有限公司自主知識產權的通用性互聯網數據採集軟體。軟體具備全面的採集范圍、精準的數據精度、絕佳的抓取性能、簡易的可視化操作、智能的自動化採集，使企業能夠以很少的人工成本，快速獲取互聯網中結構化或非結構化的數據。

軟體幾乎可以採集互聯網上所有公開的數據，通過可視化的操作流程，從建表、過濾、採集到入庫一步到位。支持正則表達式操作，更有強大的面向對象的腳本語言系統。

台式機單機採集能力可達4000-8000萬，日採集能力超過500萬。伺服器單機集群環境的採集能力可達8億-16億，日採集能力超過4000萬。並行情況下可支撐百億以上規模數據鏈接，堪與網路等搜索引擎系統媲美。

l軟體特點

一．通用性：可以抓取互聯網上幾乎100 %的數據

1.支持數據挖掘功能，挖掘全網數據。

2.支持用戶登錄。

3.支持Cookie技術。

4.支持驗證碼識別。

5.支持HTTPS安全協議。

6.支持OAuth認證。

7.支持POST請求。

8.支持搜索欄的關鍵詞搜索採集。

9.支持JS動態生成頁面採集。

10.支持IP代理採集。

11.支持圖片採集。

12.支持本地目錄採集。

13.內置面向對象的腳本語言系統，配置腳本可以採集幾乎100%的互聯網信息。

二．高質量數據：採集+挖掘+清洗+排重一步到位

1.獨立知識產權JS引擎，精準採集。

2.集成數據挖掘功能，可以精確挖掘全網關鍵詞信息。

3.內部集成資料庫，數據直接採集入庫，入庫前自動進行兩次數據排重。

4.內部創建數據表結構，抓取數據後直接存入資料庫相應欄位。

5.根據dom結構自動過濾無關信息。

6.通過模板配置鏈接抽取和數據抽取，目標網站的所有可見內容均可採集，智能過濾無關信息。

7.採集前數據可預覽採集，隨時調整模板配置，提升數據精度和質量。

8.欄位的數據支持多種處理方式。

9.支持正則表達式，精準處理數據。

10.支持腳本配置，精確處理欄位的數據。

三．高性能：千萬級的採集速度

1.C++編寫的爬蟲，具備絕佳採集性能。

2.支持多線程採集。

3.台式機單機採集能力可達4000-8000萬，日採集能力超過500萬。

4.伺服器單機集群環境的採集能力可達8億-16億，日採集能力超過4000萬。

5.並行情況下可支撐百億以上規模數據鏈接，堪與網路等搜索引擎系統媲美。

6.軟體性能穩健，穩定性好。

四．簡易高效：節約70%的配置時間

1.完全可視化的配置界面，操作流程順暢簡易。

2.基本不需要計算機基礎，代碼薄弱人員也可快速上手，降低操作門檻，節省企業爬蟲工程師成本。

3.過濾採集入庫一步到位，集成表結構配置、鏈接過濾、欄位取值、採集預覽、數據入庫。

4.數據智能排重。

5.內置瀏覽器，欄位取值直接在瀏覽器上可視化定位。

五．數據管理：多次排重

1.內置資料庫，數據採集完畢直接存儲入庫。

2.在軟體內部創建數據表和數據欄位，直接關聯資料庫。

3.採集數據時配置數據模板，網頁數據直接存入對應數據表的相應欄位。

4.正式採集之前預覽採集結果，有問題及時修正配置。

5.數據表可導出為csv格式，在Excel工作表中瀏覽。

6.數據可智能排除，二次清洗過濾。

六．智能：智能模擬用戶和瀏覽器行為

1.智能模擬瀏覽器和用戶行為，突破反爬蟲限制。

2.自動抓取網頁的各類參數和下載過程的各類參數。

3.支持動態IP代理加速，智能過濾無效IP代理，提升代理的利用效率和採集質量。

4.支持動態調整數據抓取策略，多種策略讓您的數據無需重采，不再擔心漏采，數據採集更智能。

5.自動定時採集。

6.設置採集任務條數，自動停止採集。

7.設置文件大小閾值，自動過濾超大文件。

8.自由設置瀏覽器是否加速，自動過濾頁面的flash等無關內容。

9.智能定位欄位取值區域。

10.可以根據字元串特徵自動定位取值區域。

11.智能識別表格的多值，表格數據可以完美存入相應欄位。

七．優質服務

1.數據採集完全在本地進行，保證數據安全性。

2.提供大量免費的各個網站配置模板在線下載，用戶可以自由導入導出。

3.免費升級後續不斷開發的更多功能。

4.為用戶提供各類高端定製化服務，全方位來滿足用戶的數據需求。

H. 常用的大數據工具有哪些

未至科技魔方是一款大數據模型平台，是一款基於服務匯流排與分布式雲計算兩大技術架構的一款數據分析、挖掘的工具平台，其採用分布式文件系統對數據進行存儲，支持海量數據的處理。採用多種的數據採集技術，支持結構化數據及非結構化數據的採集。通過圖形化的模型搭建工具，支持流程化的模型配置。通過第三方插件技術，很容易將其他工具及服務集成到平台中去。數據分析研判平台就是海量信息的採集，數據模型的搭建，數據的挖掘、分析最後形成知識服務於實戰、服務於決策的過程，平台主要包括數據採集部分，模型配置部分，模型執行部分及成果展示部分等。

未至科技小蜜蜂網路信息雷達是一款網路信息定向採集產品，它能夠對用戶設置的網站進行數據採集和更新，實現靈活的網路數據採集目標，為互聯網數據分析提供基礎。
未至科技泵站是一款大數據平台數據抽取工具，實現db到hdfs數據導入功能，藉助Hadoop提供高效的集群分布式並行處理能力，可以採用資料庫分區、按欄位分區、分頁方式並行批處理抽取db數據到hdfs文件系統中，能有效解決大數據傳統抽取導致的作業負載過大抽取時間過長的問題，為大數據倉庫提供傳輸管道。
未至科技雲計算數據中心以先進的中文數據處理和海量數據支撐為技術基礎，並在各個環節輔以人工服務，使得數據中心能夠安全、高效運行。根據雲計算數據中心的不同環節，我們專門配備了系統管理和維護人員、數據加工和編撰人員、數據採集維護人員、平台系統管理員、機構管理員、輿情監測和分析人員等，滿足各個環節的需要。面向用戶我們提供面向政府和面向企業的解決方案。
未至科技顯微鏡是一款大數據文本挖掘工具，是指從文本數據中抽取有價值的信息和知識的計算機處理技術,
包括文本分類、文本聚類、信息抽取、實體識別、關鍵詞標引、摘要等。基於Hadoop
MapRece的文本挖掘軟體能夠實現海量文本的挖掘分析。CKM的一個重要應用領域為智能比對,
在專利新穎性評價、科技查新、文檔查重、版權保護、稿件溯源等領域都有著廣泛的應用。
未至科技數據立方是一款大數據可視化關系挖掘工具，展現方式包括關系圖、時間軸、分析圖表、列表等多種表達方式，為使用者提供全方位的信息展現方式。

I. 目前做的最好的爬蟲項目是哪個，開源github的

大型的：
Nutch
apache/nutch · GitHub
適合做搜索引擎，分布式爬蟲是其中一個功能。
Heritrix
internetarchive/heritrix3 · GitHub比較成熟的爬蟲。
小型的：
Crawler4j
yasserg/crawler4j · GitHub
WebCollector CrawlScript/WebCollector · GitHub（國人作品）
目標是在讓你在5分鍾之內寫好一個爬蟲。參考了crawler4j，如果經常需要寫爬蟲，需要寫很多爬蟲，還是不錯的，因為上手肯定不止5分鍾。缺點是它的定製性不強。
WebMagic code4craft/webmagic · GitHub（國人作品，推薦）
垂直、全棧式、模塊化爬蟲。更加適合抓取特定領域的信息。它包含了下載、調度、持久化、處理頁面等模塊。每一個模塊你都可以自己去實現，也可以選擇它已經幫你實現好的方案。這就有了很強的定製性。