抓取网页数据工具(开源搜索引擎也横空出世，让人一见倾心的工具（开源库）)

　　抓取网页数据工具(开源搜索引擎也横空出世，让人一见倾心的工具（开源库）)

　　1、 当互联网刚出现时，数据索引是一个大问题。当时，雅虎的分类页面确实流行了一段时间。

　　2、随着互联网数据量的不断增加，谷歌、百度等搜索引擎开始流行。现阶段几乎没有比搜索引擎更流行的技术，甚至分词技术也是一塌糊涂。紧接着，Nutch等开源搜索引擎也横空出世，让人一见倾心！许多人和许多公司试图将它们用于商业目的。但这些东西都是牛人，在实际使用中并不总是那么顺利。一是不稳定；另一个太复杂了，很难做二次开发来满足你的需求。

　　3、既然一般的搜索引擎做起来不是那么方便，那就让它更简单，更有针对性。由于爬虫技术的兴起，酷讯是其中比较成功的一个。靠着它的技术，后来建了99间房，然后造就了今天的头条。

　　4、随着越来越多的人从事互联网，很多人由于不同的需求确实想要从互联网上抓取数据，但他们希望它可以更简单，开发成本更低，速度更快。这么多开源工具出现了。一段时间以来，CURL 被大量使用，HTMLCXX 和 HTMLParser 等 HTML 解析工具也被广泛使用。优采云

傻瓜式，无需开发能力，配置即可自动运行。

　　5、 发展到现在，特别是随着移动互联网的兴起，由于各种需求，对数据采集的需求依然旺盛。网上抓数据的工具，开源代码，很多，jsoup，Spynner等，但是抓数据还是有点难，原因有四个：一、每个公司的需求不同，这使得产品化非常困难。二、WEB 页面本身就非常复杂和混乱，JavaScript 使得爬行不可控；三、大多数工具（开源库）都有相当大的局限性，扩展不方便，数据输出不稳定，不适合严重的商业应用；四、基于开源库或工具开发和完成自己的需求还是有一定难度的，工作量很大。

　　6、 所以一个好的爬虫工具（开源库）应该具备以下特点： 一、 简单。系统不要太复杂，界面要一目了然，以降低开发成本；二、 很强大。最好能捕捉到网页上能看到的数据，包括JavaScript的输出。数据抓取的很大一部分是寻找数据。例如：没有地理坐标数据，导致完成这些数据需要付出很多努力；三、 方便。提供开发库的最佳方式，如何抓取和部署，可以被控制而不是被困在一个完整的系统中；四、 很灵活。可以快速实现各种需求，即可以快速抓取简单的数据，或者可以构建更复杂的数据应用程序；五、 稳定。可以输出稳定的数据，不需要每天调整BUG找数据。要求不会复杂一点。当数据量稍大时，需要做大量的二次开发，耗费大量的人力和时间。六、可以集成。可以快速利用现有技术力量，开发环境，快速建立数据系统。七、可控。企业应用是长期积累的。如果数据和流程掌握在第三方手中，可控性差，对需求变化的响应慢​​，风险高。八、 支持结构化。

　　很多企业在数据采集上投入了大量精力，但效果往往不是很好，可持续发展的能力也比较差。这基本上是由于基础工具的选择不理想。那么，让我们梳理一下目前可用的一些数据抓取工具和开源库。比较它们的优缺点，为开发者选择提供参考。

　　一、 系统类别：

　　这些工具或开源库提供了一个完整的系统，包括数据捕获、调度、存储和检索。

　　纳奇：

　　语言：JAVA

　　官方网站：

　　简介：Nutch 是一个开源的 Java 搜索引擎。它提供全文搜索和网络爬虫、页面调度、数据存储等功能，几乎作为一个完整的通用搜索引擎。它适用于具有大页面大小（数十亿）和仅对数据（很少结构化数据）进行文本索引的应用程序。Nutch 非常适合研究。

　　继承人：

　　语言：JAVA

　　官方网站：

　　简介：Heritrix 是一个开源的网络爬虫系统，用户可以使用它从互联网上抓取自己想要的资源。其最突出的特点是良好的扩展性，方便用户实现自己的爬取逻辑。Heritrix 集成了索引调度、页面解析和数据存储。

　　其他包括：DataparkSearch、Web-Harvest

　　网络类：

　　卷曲

　　语言：C（但也支持命令行和其他语言绑定）

　　官方网站：

　　简介：CURL 是一个旧的 HTTP 网络库（同时支持 FTP 和其他协议）。CURL支持丰富的网络功能，包括SSL、cookie、表单等，是一个被广泛使用的网络库。CURL 很灵活，但稍微复杂一些。提供数据下载，但不支持HTML解析。通常需要与其他库一起使用。

　　汤

　　语言：C

　　官方网站：

　　简介： SOUP 是另一个 HTTP 网络库，它依赖于 glib，功能强大且稳定。但是国内文件比较少。

　　浏览器类：

　　此类工具一般基于浏览器（如：Firefox）扩展。由于浏览器的强大功能，可以采集到比较完整的数据，尤其是JavaScript输出的数据。但应用略受限制，不方便扩展，数据量大时难以适应。

　　解析中心：

　　语言：火狐扩展

　　官方网站：

　　简介： ParseHub 是一款基于 Firefox 的页面分析工具，可以支持更复杂的功能，包括页面结构分析。

　　GooSeeker 采集

和采集

客户

　　语言：火狐扩展

　　官方网站：

　　简介：GooSeeker也是一个基于Firefox的扩展，支持更复杂的功能，包括索引图片、定时采集、可视化编程等。

　　收款终端类别：

　　这类工具一般支持Windows图形界面，基本不需要编写代码，通过配置规则可以实现比较典型的数据采集。但提取数据能力一般，扩展性有限，更复杂应用的二次开发成本不低。

　　优采云

　　语言：许可软件

　　平台：Windows

　　官方网站：

　　优采云

是一款老牌采集

软件，随着无数个人站长的成长，具有高度可配置性，可以实现数据传输。非常适合政府机构的个人快速数据采集和舆情监测。

　　优采云

采集器

　　语言：许可软件

　　平台：Windows

　　官方网站：

　　简介：有财云采集器

功能众多，支持新闻综合分析，广泛应用于舆论。

　　图书馆类：

　　通过开源库或工具库提供。这些库通常只负责数据捕获的网络部分和HTML的解析部分。具体的业务实现由开发者自己实现。这种方法非常灵活，更适合捕获复杂的数据和*敏*感*词*的爬取。这些库之间的差异主要体现在以下几个方面： 一、 语言适用。许多库只适用于某种语言；二、 功能差异。大多数库只支持HTML，不支持JS、CSS等动态数据；三、 接口。有些库提供函数级接口，有些库提供对象级接口。四、 稳定性。有些图书馆是认真的，

　　简单的 HTML DOM 解析器

　　语言：PHP

　　官方网站：

　　简介： PHP 的扩展模块支持解析 HTML 标签。提供类似于JQuery的函数级接口，功能更简单，适合解析简单的HTML页面，构建数据引擎会比较困难。

　　汤

　　语言：JAVA

　　官方网站：

　　简介：JSoup 是一个 Java HTML 解析器，可以直接解析一个 URL 地址和 HTML 文本内容。它提供了一个非常省力的API，可以通过DOM、CSS和类似jQuery的操作方法来检索和操作数据。

　　斯宾纳

　　语言：Python

　　官方网站：

　　简介：Spynner 是一个超过 1000 行的 Python 脚本，基于 Qt Webkit。与urllib相比，最大的特点就是支持动态内容的爬取。Spynner 依赖于 xvfb 和 QT。由于需要页面渲染，速度较慢。

　　清

　　语言：C++（可扩展到其他语言）

　　官方网站：

　　简介：Qing是一个动态库，提供了一系列清晰的函数函数和DOM数据结构，简单明了，但功能强大，适用。Qing 支持 JavaScript 和 CSS，因此对动态内容的支持非常好。除了这些，Qing还支持背景图片加载、滚动加载、本地缓存、加载策略等功能。Qing速度快，功能强大，稳定，开发效率高。企业搭建数据引擎是更好的选择。