各大主流编程语言常用爬虫框架以及优劣分析
目前市场上爬虫框架有很多，不同语言不同类型的爬虫框架都有，然而在开发预研的时候对于选择那种
框架对于很多开发者来说尤为头疼；
本篇主要总结一下市场上主流的开发语言中有哪些主流的爬虫框架，以及爬虫框架的优劣；希望在对你在选择合适爬虫框架中有所帮助。
一、主流语言爬虫框架列表：
二、主流爬虫框架简介
1、Java爬虫框架
1.1、Apache Nutch2
链接地址:nutch.apache.org
Nutch 是一个开源Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫。
Nutch 致力于让每个人能很容易, 同时花费很少就可以配置世界一流的Web搜索引擎. 为了完成这一宏伟的目标, Nutch必须能够做到:
* 每个月取几十亿网页
* 为这些网页维护一个索引
* 对索引文件进行每秒上千次的搜索
Ⅰ、对索引文件进行每秒上千次的搜索
Ⅱ、提供高质量的搜索结果
简单来说Nutch支持分布式，可以通过配置网站地址、规则、以及采集的深度(通用爬虫或全网爬虫)对网站进行采集，并提供了全文检索功能，可以对采集下来的海量数据进行全文检索；假如您想完成对站点所有内容进行采集，且不在乎采集和解析精度(不对特定页面特定字段内容采集)的需求，建议你使用Apache Nutch,假如您想对站点的指定内容板块指定字段采集，建议您使用垂直爬虫较为灵活。
1.2、webmgaic(推荐)
链接地址:webmagic.io
WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个**、易维护的爬虫。
特性：简单的API，可快速上手；模块化的结构，可轻松扩展；提供多线程和分布式支持
1.3、Heritrix
链接地址:crawler.archive.org
Heritrix 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源。其** 出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。
1.4、WebCollector
链接地址:github.com/CrawlScript/WebCollector
WebCollector是一个无须配置、便于二次开发的JAVA爬虫框架（内核），它提供精简的的API，只需少量代码即可实现一个功能强大的爬虫。WebCollector-Hadoop是WebCollector的Hadoop版本，支持分布式爬取。
1.5、crawler4j
链接地址::github.com/yasserg/crawler4j
crawler4j是一款基于Java的轻量级单机开源爬虫框架，** 大的一个特点就是简单。另外也支持多线程、支持代理、可以过滤重复URL
基本上从加载jar到工程里面 通过修改示例的代码就可以简单的实现一个爬虫的全部功能，而这一切动作加起来都不需要超过半个小时。
1.6、Spiderman
链接地址:m.gitee.com/l-weiwei/spIDerman
Spiderman 是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有用的数据。 Spiderman主要是运用了像XPath、正则、表达式引擎等这些技术来实现数据抽取。
1.7、eimiCrawler
链接地址:seimi.wanghaomiao.cn
一个敏捷的，独立部署的，支持分布式的Java爬虫框架；
SeimiCrawler是一个强大的，**敏捷的，支持分布式的爬虫开发框架，希望能在** 大程度上降低新手开发一个可用性高且性能不差的爬虫系统的门槛，以及提升开发爬虫系统的开发效率。在SeimiCrawler的世界里，绝大多数人只需关心去写抓取的业务逻辑就够了，其余的Seimi帮你搞定。设计思想上SeimiCrawler受Python的爬虫框架Scrapy启发很大，同时融合了Java语言本身特点与Spring的特性，并希望在国内更方便且普遍的使用更有效率的XPath解析htmL，所以SeimiCrawler默认的HTML解析器是JsoupXpath,默认解析提取HTML数据工作均使用XPath来完成（当然，数据处理亦可以自行选择其他解析器）。
1.8、jsoup
链接地址:jsoup.org
jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。
2、Python爬虫框架
2.1、scrapy (推荐)
链接地址:scrapy.org
Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，** 新版本又提供了web2.0爬虫的支持。
Scrap，是碎片的意思，这个Python的爬虫框架叫Scrapy。
2.2、Crawley
链接地址:project.crawley-cloud.com
高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为JSON、XML等
2.3、Portia
链接地址:scrapinghub.com/portia
Portia 是一个用 Python 编写无需任何编程知识，就能可视爬取网站数据的开源工具。无需下载或安装任何东西，因为，Portia 是运行在您的 Web 浏览器中。
Portia 是 scrapyhub 开源的一款可视化爬虫规则编写工具。Portia 提供了可视化的 Web 页面，只需通过简单点击，标注页面上需提取的相应数据，无需任何编程知识即可完成爬取规则的开发。这些规则还可在 Scrapy 中使用，用于抓取页面。
2.4、PySpider
链接地址:
PySpider：一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器，任务监视器，项目管理器以及结果查看器。
2.5、grab
链接地址:
网络爬虫框架(基于pycurl/multicur)。
2.6、cola
链接地址:ithub.com/chineking/cola
一个分布式爬虫框架。项目整体设计有点糟，模块间耦合度较高，不过值得借鉴。
3、php爬虫框架
3.1、phpspider
链接地址:github.com/owner888/phpspider
phpspider是一个爬虫开发框架。使用本框架，你不用了解爬虫的底层技术实现，爬虫被网站屏蔽、有些网站需要登录或验证码识别才能爬取等问题。简单几行PHP代码，就可以创建自己的爬虫，利用框架封装的多进程Worker类库，代码更简洁，执行效率更高速度更快。
3.2、Beanbun
链接地址:
Beanbun 是用 PHP 编写的多进程网络爬虫框架，具有良好的开放性、高可扩展性。
支持守护进程与普通两种模式（守护进程模式只支持 Linux 服务器）
默认使用 Guzzle 进行爬取
支持分布式
支持内存、Redis 等多种队列方式
支持自定义URI过滤
支持广度优先和深度优先两种爬取方式
遵循 PSR-4 标准
爬取网页分为多步，每步均支持自定义动作（如添加代理、修改 user-agent 等）
灵活的扩展机制，可方便的为框架制作插件：自定义队列、自定义爬取方式…
3.3、PHPCrawl
链接地址:phpcrawl.cuab.de
PHPCrawl是一个PHP开源的Web检索蜘蛛(爬虫)类库。PHPCrawl抓取工具“ Spider ”的网站，并提供一切有关网页，链接，文件等信息。
PHPCrawl povides可以选择性的指定的爬虫的行为，比如喜欢网址、内容类型，过滤器、 cookie的处理等方式。
4、c#爬虫框架
4.1、DotnetSpider
链接地址:
DotnetSpider这是国人开源的一个跨平台、高性能、轻量级的爬虫软件，采用 C# 开发。目前是.Net开源爬虫** 为很好的爬虫之一。
4.2、NWebCrawler
链接地址:nwebcrawler.codeplex.com
NWebCrawler是一款开源的C#网络爬虫程序更多NWebCrawler
4.3、SmartSpider
链接地址:
SmartSpider爬虫引擎内核版，全新的设计理念，真正的极简版本。
4.4、Abot
链接地址:github.com/sjdirect/abot
Abot是一个开源的.net爬虫，速度快，易于使用和扩展。
4.5、xNet
链接地址:github.com/X-rus/xNet
这个一个俄国牛人写的开源工具，为啥说他强悍了，因为他将所有HTTP协议的底层都实现了一遍，这有啥好处？只要你是写爬虫的，都会遇到一个让人抓狂的问题，就是明明知道自己http请求头跟浏览器一模一样了，为啥还会获取不到自己想要的数据。这时你如果使用HttpWebReaquest，你只能调试到GetRespone，底层的字节流是调试不到了。所以必须得有个更深入的底层组件，方便自己调试。
4.6、AngleSharp
链接地址:anglesharp.github.io
解析HTML利器AngleSharp介绍解析HTML利器AngleSharp介绍AngleSharp是基于.NET（C#）开发的专门为解析xHTML源码的DLL组件。
4.7、HtmlAgilityPack
链接地址:htmlagilitypack.codeplex.com
HtmlAgilityPack 是 .NET 下的一个 HTML 解析类库。支持用 XPath 来解析 HTML 。命名空间： HtmlAgilityPack
4.8、CSQuery
链接地址:github.com/jamietre/CsQuery
CsQuery 犀利的html代码分析库，像jq一样用c#处理html
5、C/C++爬虫框架
open-source-search-engine
链接地址:github.com/gigablast/open-source-search-engine
基于C/C++开发的网络爬虫和搜索引擎.
5.1、Cobweb
链接地址:github.com/stewartmckee/cobweb
非常灵活，易于扩展的网络爬虫，可以单点部署使用.
5.2、upton
链接地址:github.com/propublica/upton
一个易于上手的爬虫框架集合，支持CSS选择器.
5.3、wombat
链接地址:github.com/felipecsl/wombat
基于Ruby天然的支持DSL的网络爬虫，易于提取网页正文数据.
5.4、Spidr
链接地址:github.com/postmodern/spidr
全站数据采集，支持无限的网站链接地址采集.
5.5、Larbin
链接地址:larbin.sourceforge.net/download.html
larbin是一种开源的网络爬虫/网络蜘蛛，由法国的年轻人Sébastien Ailleret独立开发，用c++语言实现。larbin目的是能够跟踪页面的url进行扩展的抓取，** 后为搜索引擎提供广泛的数据来源。 Larbin只是一个爬虫，也就是说larbin只抓取网页，至于如何parse的事情则由用户自己完成。另外，如何存储到数据库以及建立索引的事情 larbin也不提供。
larbin** 初的设计也是依据设计简单但是高度可配置性的原则，因此我们可以看到，一个简单的larbin的爬虫可以每天获取500万的网页，实在是非常**。
利用larbin，我们可以轻易的获取/确定单个网站的所有联结，甚至可以镜像一个网站；也可以用它建立url 列表群，例如针对所有的网页进行 url retrive后，进行xml的联结的获取。或者是 mp3，或者定制larbin，可以作为搜索引擎的信息的来源。
