爬虫框架汇总

开源爬虫汇总表
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

其他 selenium