rl队列单独分离出来作为一个种子库放在server Center上，爬取器和存储器分散开来以实现分布式爬取。 项目主页： http://www.open-open.com/lib/view/home/1373594209831

Goutte是一个屏幕抓取和web爬虫PHP库。 Goutte提供了一个很好的API来抓取网站和从服务器响应的HTML/ XML提取数据。 要求 Goutte depends on PHP 5

本项目基于golang开发，是一个开放的垂直领域的爬虫引擎，主要希望能将各个功能模块区分开，方便使用者重新实现子模块，进而构建自己垂直方方向的爬虫。 本项目将爬虫的各个功能流程区分成Spider模块（主控

假如爬10000+个词语，使用gevent的话，那几秒钟之内就给网站一股脑的发请求，说不定网站就把爬虫封了。 解决办法 将列表等分为若干个子列表，分批爬取。举例我们有一个数字列表（0-19），

Osmosis 是 Node.js 用来解析 HTML/XML 和 Web 内容爬取的扩展。

Pholcus（幽灵蛛）是一款纯Go语言编写的重量级爬虫软件，清新的GUI界面，优雅的爬虫规则、可控的高并发、任意的批量任务、多种输出方式、大量Demo，支持横纵向两种抓取模式，支持模拟登录和任务取消等，并且考虑了支持分布式布局。

灵蛛）是一款纯Go语言编写的重量级爬虫软件，清新的GUI界面，优雅的爬虫规则、可控的高并发、任意的批量任务、多种输出方式、大量Demo，更重要的 是它支持socket长连接、全双工并发分布式，支持横纵向两种抓取模式，支持模拟登录和任务取消等！

分布式爬虫 分布式爬虫 第2章 分布式爬虫 随着互联网技术的发展以及风起云涌的云计算浪潮。爬虫技术也逐渐向着分布式方向发展。比如，Google的爬虫就是使用成千上万台小型机和微机进行合作，完成分布式抓

Scrapy 是一套基于基于Twisted的异步处理框架，纯python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片。下图显示了Scrapy的大体架构，其中

Spidr是一个多功能的Ruby web 爬虫库。它可以抓取一个网站，多个域名或某些链接。Spidr被设计成快速和容易使用。 具体特性： Follows: a tags. iframe tags.

HiSpider是一个快速和高性能的网页爬虫。 严格说只能是一个spider系统的框架, 没有细化需求, 目前只是能提取URL, URL排重, 异步DNS解析, 队列化任务, 支持N机分布式下载, 支持网站定向下载(需要配置hispiderd

OpenWebSpider是一个开源多线程Web爬虫和包含许多有趣功能的搜索引擎。 OpenWebSpider的使用方法。 一般情况下我们通过在CMD下输入 openwebspider

Combine 是一个用Perl语言开发可扩展的Web资源爬虫程序。 SearchEngine-in-a-Box 系统的一部分 高度可配置 聚焦爬行模式的综合自动化主题分类 可以使用任何主题聚焦爬行模式分类器

最近需要通过网络爬虫来收集点数据，想找一些简单易用的开源版本，总是要么配置起来有点复杂，要么功能上不太容易扩展。还是自己实现一个简单的版本更容易扩展相应的功能。这个版本的实现完全参照wiki上面对于 webcrawler

在爬取网站内容的时候，最常遇到的问题是：网站对IP有限制，会有防抓取功能，最好的办法就是IP轮换抓取（加代理）下面来说一下Scrapy如何配

Scrapy为每一个start_urls创建一个 scrapy.http.Request 对象,并将爬虫的parse 方法指定为回调函数。 这些Request首先被调度,然后被执行,之后通过parse()方法

heyDr是一款基于java的轻量级开源多线程垂直检索爬虫框架，遵循GNU GPL V3协议。 用户可以通过heyDr构建自己的垂直资源爬虫，用于搭建垂直搜索引擎前期的数据准备。 项目主页：

一个网络爬虫工具包 webmagic的发起源于工作中的需要，其定位是帮助开发者更便捷的开发一个垂直的网络爬虫。 webmagic的功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久

Grab是一个Python开源Web爬虫框架。Grab提供非常多实用的方法来爬取网站和处理爬到的内容： Automatic cookies (session) support HTTP and SOCKS

前言 爬虫和反爬虫日益成为每家公司的标配系统。爬虫在 情报获取、虚假流量、动态定价、恶意攻击、薅羊毛 等方面都能起到很关键的作用，所以每家公司都或多或少的需要开发一些爬虫程序，业界在这方面的成熟的