开源爬虫框架哪家强？是骡子是马，拉出来溜溜就知道了！

概述<pstyle=\"margin-top:1em;margin-bottom:0px;border:0px;font-size:18px;line-height:inherit;font-family:helvetica,Arial,\'HiraginoSansGB\',\'MicrosoftYaHei\',simsun;vertical-align:baseline;color:

<p >

<table ><tbody ><tr ><td ><span >Project</td><td ><span >Language</td><td ><span >Star</td><td ><span >Watch</td><td ><span >Fork</td></tr><tr ><td ><span >Nutch</td><td >Java</td><td >1111</td><td >195</td><td >808</td></tr><tr ><td ><span >webmagic</td><td >Java</td><td >4216</td><td >618</td><td >2306</td></tr><tr ><td ><span >WebCollector</td><td >1222</td><td >255</td><td >958</td></tr><tr ><td ><span >heritrix3</td><td >773</td><td >141</td><td >428</td></tr><tr ><td ><span >crawler4j</td><td >1831</td><td >242</td><td >1136</td></tr><tr ><td ><span >PyspIDer</td><td >Python</td><td >8581</td><td >687</td><td >2273</td></tr><tr ><td ><span >Scrapy</td><td >Python</td><td >19642</td><td >1405</td><td >5261</td></tr></table><p >看到了吗？星星数排名第一的Scrapy比其他所有的加起来都要多，我仿佛听到他这样说：

<p >

<p >

<p >

<p >

<p >

<p >

<p >

<p >

<p >优点：

<ul ><li ><p >极其灵活的定制化爬取。

<li ><p >社区人数多、文档完善。

<li ><p >URL去重采用布隆过滤器方案。

<li ><p >可以处理不完整的HTML，Scrapy已经提供了selectors（一个在lxml的基础上提供了更高级的接口），可以高效地处理不完整的HTML代码。

<p >缺点：

<ul ><li ><p >不支持分布式部署。

<li ><p >原生不支持抓取JavaScript的页面。

<li ><p >全命令行 *** 作，对用户不友好，需要一定学习周期。

<p >结论

<p >篇幅有限，就先选择这三个最有代表性的框架进行PK。他们都有远超别人的优点，比如：Nutch天生的搜索引擎解决方案、PyspIDer产品级的WebUI、Scrapy最灵活的定制化爬取。也都各自致命的缺点，比如Scrapy不支持分布式部署，PyspIDer不够灵活，Nutch和搜索绑定。究竟该怎么选择呢？

<p >我们的目标是做纯粹的爬虫，不是搜索引擎，所以先把Nutch排除掉，剩下人性化的PyspIDer和高可定制的Scrapy。Scrapy的灵活性几乎能够让我们完成任何苛刻的抓取需求，它的“难用”也让我们不知不觉的研究爬虫技术。现在还不是享受PyspIDer的时候，目前的当务之急是打好基础，应该学习最接近爬虫本质的框架，了解它的原理，所以把PyspIDer也排除掉。

<p >最终，理性的从个人的需求角度对比，还是Scrapy胜出！其实Scrapy还有更多优点：

<ul ><li ><p >HTML,XML源数据选择及提取的原生支持。

<li ><p >提供了一系列在spIDer之间共享的可复用的过滤器(即 Item Loaders)，对智能处理爬取数据提供了内置支持。

<li ><p >通过 Feed导出 提供了多格式(JsON、CSV、XML)，多存储后端(FTP、S3、本地文件系统)的内置支持。

<li ><p >提供了media pipeline，可以 自动下载 爬取到的数据中的图片(或者其他资源)。

<li ><p >高扩展性。您可以通过使用 signals ，设计好的API(中间件,extensions,pipelines)来定制实现您的功能。

<li ><p >内置的中间件及扩展为下列功能提供了支持:

<ul ><li ><p >cookies and session 处理

<li ><p >http 压缩

<li ><p >http 认证

<li ><p >http 缓存

<li ><p >user-agent模拟

<li ><p >robots.txt

<li ><p >爬取深度限制

<ul ><li ><p >针对非英语语系中不标准或者错误的编码声明,提供了自动检测以及健壮的编码支持。

<li ><p >支持根据模板生成爬虫。在加速爬虫创建的同时，保持在大型项目中的代码更为一致。

<li ><p >针对多爬虫下性能评估、失败检测，提供了可扩展的 状态收集工具 。

<li ><p >提供 交互式shell终端,为您测试XPath表达式，编写和调试爬虫提供了极大的方便。

<li ><p >提供 System service,简化在生产环境的部署及运行。

<li ><p >内置 Telnet终端 ，通过在Scrapy进程中钩入Python终端，使您可以查看并且调试爬虫。

<li ><p >Logging 为您在爬取过程中捕捉错误提供了方便。

<li ><p >支持 Sitemaps 爬取。

<li ><p >具有缓存的DNS解析器。

<p >下一步

<p >吹了半天的Scrapy，时间也到了，如果大家能够喜欢上它，学习的效率一定会成倍提升！下次我会为大家带来满满的干货，并完成更具挑战性的爬虫任务，我们下期再见！

<p >原文链接：http://www.cnblogs.com/tuohai666/p/8861422.HTML

<p >欢迎关注我的博客：https://home.cnblogs.com/u/sm123456/

总结

以上是内存溢出为你收集整理的开源爬虫框架哪家强？是骡子是马，拉出来溜溜就知道了！全部内容，希望文章能够帮你解决开源爬虫框架哪家强？是骡子是马，拉出来溜溜就知道了！所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。