开源爬虫软件汇总
世界上已经成型的爬虫软件多达上百种，本文对较为知名及常见的开源爬虫软件进行梳理，按开发语言进行汇总，如下表所示。虽然搜索引擎也有爬虫，但本次我汇总的只是爬虫软件，而非大型、复杂的搜索引擎，因为很多兄弟只是想爬取数据，而非运营一个搜索引擎。</span>
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 |