網路爬蟲（又被稱為網頁蜘蛛，網路機器人，在FOAF社群中間，更經常的稱為網頁追逐者），是一種按照一定的規則，自動地抓取全球資訊網資訊的程式或者指令碼。另外一些不常使用的名字還有螞蟻、自動索引、模擬程式或者蠕蟲。

今天將為大家介紹19款Java開源Web爬蟲，需要的小夥伴們趕快收藏吧。

一、Heritrix

Heritrix 是一個由 java 開發的、開源的網路爬蟲，使用者可以使用它來從網上抓取想要的資源。其最出色之處在於它良好的可擴充套件性，方便使用者實現自己的抓取邏輯。

Heritrix 是個“Archival Crawler”——來獲取完整的、精確的、站點內容的深度複製。包括獲取影象以及其他非文字內容。抓取並存儲相關的內容。對內容來者不拒，不對頁面進行內容上的修改。重新爬行對相同的URL不針對先前的進行替換。爬蟲主要通過Web使用者介面啟動、監控和調整，允許彈性的定義要獲取的url。

Heritrix是按多執行緒方式抓取的爬蟲，主執行緒把任務分配給Teo執行緒(處理執行緒)，每個Teo執行緒每次處理一個URL。Teo執行緒對每個URL執行一遍URL處理器鏈。URL處理器鏈包括如下5個處理步驟。

(1)預取鏈：主要是做一些準備工作，例如，對處理進行延遲和重新處理，否決隨後的操作。

(2)提取鏈：主要是下載網頁，進行DNS轉換，填寫請求和響應表單。

(3)抽取鏈：當提取完成時，抽取感興趣的HTML和JavaScript，通常那裡有新的要抓取的URL。

(4)寫鏈：儲存抓取結果，可以在這一步直接做全文索引。Heritrix提供了用ARC格式儲存下載結果的ARCWriterProcessor實現。

(5)提交鏈：做和此URL相關操作的最後處理。檢查哪些新提取出的URL在抓取範圍內，然後把這些URL提交給Frontier。另外還會更新DNS快取資訊。

Heritrix系統框架圖

heritrix處理一個url的流程

二、WebSPHINX

WebSPHINX 是一個 Java 類包和 Web 爬蟲的互動式開發環境。 Web 爬蟲 ( 也叫作機器人或蜘蛛 ) 是可以自動瀏覽與處理 Web 頁面的程式。 WebSPHINX 由兩部分組成：爬蟲工作平臺和 WebSPHINX 類包。

WebSPHINX 是一個 Java 類包和 Web 爬蟲的互動式開發環境。 Web 爬蟲 ( 也叫作機器人或蜘蛛 ) 是可以自動瀏覽與處理 Web 頁面的程式。 WebSPHINX 由兩部分組成：爬蟲工作平臺和 WebSPHINX 類包。

WebSPHINX – 用途

1.視覺化顯示頁面的集合
2.下載頁面到本地磁碟用於離線瀏覽
3.將所有頁面拼接成單個頁面用於瀏覽或者列印
4.按照特定的規則從頁面中抽取文字字串
5.用Java或Javascript開發自定義的爬蟲

三、WebLech

WebLech是一個功能強大的Web站點下載與映象工具。它支援按功能需求來下載web站點並能夠儘可能模仿標準Web瀏覽器的行為。WebLech有一個功能控制檯並採用多執行緒操作。

WebLech是一個功能強大的Web站點下載與映象免費開源工具。它支援按功能需求來下載web站點並能夠儘可能模仿標準Web瀏覽器的行為。WebLech有一個功能控制檯並採用多執行緒操作。

這款爬蟲足夠簡單，如果初學如果編寫爬蟲，可做入門參考。所以我選擇了用這個爬蟲開始我的研究。如果只是做要求不高的應用，也可試試。如果想找一款功能強大，就別在WebLech上浪費時間了。

特點：

1）開源，免費

2）程式碼是用純Java寫的，可以在任何支援Java的平臺上也行

3）支援多執行緒下載網頁

4）可維持網頁間的連結資訊

5）可配置性強： 深度優先或寬度優先爬行網頁 可定製URL過濾器，這樣就可以按需要爬行單個web伺服器，單個目錄或爬行整 個WWW網路 可設定URL的優先順序，這樣就可以優先爬行我們感興趣或重要的網頁 可記錄斷點時程式的狀態，一邊重新啟動時可接著上次繼續爬行。

四、Arale

Arale主要為個人使用而設計，而沒有像其它爬蟲一樣是關注於頁面索引。Arale能夠下載整個web站點或來自web站點的某些資源。Arale還能夠把動態頁面對映成靜態頁面。

五、JSpider

JSpider:是一個完全可配置和定製的Web Spider引擎.你可以利用它來檢查網站的錯誤(內在的伺服器錯誤等),網站內外部連結檢查，分析網站的結構(可建立一個網站地圖),下載整個Web站點，你還可以寫一個JSpider外掛來擴充套件你所需要的功能。

Spider是一個用Java實現的WebSpider，JSpider的執行格式如下：

jspider [URL] [ConfigName]

URL一定要加上協議名稱，如：http://，否則會報錯。如果省掉ConfigName，則採用預設配置。

JSpider 的行為是由配置檔案具體配置的，比如採用什麼外掛，結果儲存方式等等都在conf\[ConfigName]\目錄下設定。JSpider預設的配置種類 很少，用途也不大。但是JSpider非常容易擴充套件，可以利用它開發強大的網頁抓取與資料分析工具。要做到這些，需要對JSpider的原理有深入的了 解，然後根據自己的需求開發外掛，撰寫配置檔案。

Spider是:

一個高度可配置和和可定製Web爬蟲
LGPL開源許可下開發
100％純Java實現
您可以使用它來：
檢查您網站的錯誤(內部伺服器錯誤, …)
傳出或內部連結檢查
分析你網站的結構(建立一個sitemap, …)
下載整修網站
通過編寫JSpider外掛實現任何功能.

六、spindle

spindle是一個構建在Lucene工具包之上的Web索引/搜尋工具.它包括一個用於建立索引的HTTP spider和一個用於搜尋這些索引的搜尋類。spindle專案提供了一組JSP標籤庫使得那些基於JSP的站點不需要開發任何Java類就能夠增加搜尋功能。

七、Arachnid

Arachnid是一個基於Java的web spider框架.它包含一個簡單的HTML剖析器能夠分析包含HTML內容的輸入流.通過實現Arachnid的子類就能夠開發一個簡單的Web spiders並能夠在Web站上的每個頁面被解析之後增加幾行程式碼呼叫。 Arachnid的下載包中包含兩個spider應用程式例子用於演示如何使用該框架。

八、LARM

LARM能夠為Jakarta Lucene搜尋引擎框架的使用者提供一個純Java的搜尋解決方案。它包含能夠為檔案，資料庫表格建立索引的方法和為Web站點建索引的爬蟲。

九、JoBo

JoBo是一個用於下載整個Web站點的簡單工具。它本質是一個Web Spider。與其它下載工具相比較它的主要優勢是能夠自動填充form(如：自動登入)和使用cookies來處理session。JoBo還有靈活的下載規則(如：通過網頁的URL，大小，MIME型別等)來限制下載。

十、snoics-reptile

1、snoics-reptile是什麼？

是用純Java開發的，用來進行網站映象抓取的工具，可以使用配製檔案中提供的URL入口，把這個網站所有的能用瀏覽器通過GET的方式獲取到的資源全部抓取到本地，包括網頁和各種型別的檔案，如：圖片、flash、mp3、zip、rar、exe等檔案。可以將整個網站完整地下傳至硬碟內，並能保持原有的網站結構精確不變。只需要把抓取下來的網站放到web伺服器(如：Apache)中，就可以實現完整的網站映象。

2、現在已經有了其他的類似的軟體，為什麼還要開發snoics-reptile？

因為有些在抓取的過程中經常會出現錯誤的檔案，而且對很多使用javascript控制的URL沒有辦法正確的解析，而snoics-reptile通過對外提供介面和配置檔案的形式，對特殊的URL，可以通過自由的擴充套件對外提供的介面，並通過配置檔案注入的方式，基本上能實現對所有的網頁都正確的解析和抓取。

十一、Web-Harvest 

Web-Harvest是一個Java開源Web資料抽取工具。它能夠收集指定的Web頁面並從這些頁面中提取有用的資料。Web-Harvest主要是運用了像XSLT,XQuery,正則表示式等這些技術來實現對text/xml的操作。

Web-Harvest 是一個用Java 寫的開源的Web 資料提取工具。它提供了一種從所需的頁面上提取有用資料的方法。為了達到這個目的，你可能需要用到如XSLT,XQuery,和正則表示式等操作text/xml 的相關技術。Web-Harvest 主要著眼於目前仍佔大多數的基於HMLT/XML 的頁面內容。另一方面，它也能通過寫自己的Java 方法來輕易擴充套件其提取能力。

Web-Harvest 的主要目的是加強現有資料提取技術的應用。它的目標不是創造一種新方法，而是提供一種更好地使用和組合現有方法的方式。它提供了一個處理器集用於處理資料和控制流程，每一個處理器被看作是一個函式，它擁有引數和執行後同樣有結果返回。而且處理是被組合成一個管道的形式，這樣使得它們可以以鏈式的形式來執行，此外為了更易於資料操作和重用，Web-Harvest 還提供了變數上下方用於儲存已經宣告的變數。

web-harvest 啟動，可以直接雙擊jar包執行，不過該方法不能指定web-harvest java虛擬機器的大小。第二種方法，在cmd下切到web-harvest的目錄下，敲入命令“java -jar -Xms400m webharvest_all_2.jar” 即可啟動並設定起java虛擬機器大小為400M。

十二、ItSucks

ItSucks是一個Java Web爬蟲開源專案。可靈活定製，支援通過下載模板和正則表示式來定義下載規則。提供一個控制檯和Swing GUI操作介面。

功能特性:

• 多執行緒
• 正則表示式
• 儲存/載入的下載工作
• 線上幫助
• HTTP/HTTPS 支援
• HTTP 代理 支援
• HTTP身份驗證
• Cookie 支援
• 可配置的User Agent
• 連線限制
• 配置HTTP響應程式碼的行為
• 頻寬限制
• Gzip壓縮

十三、Smart and Simple Web Crawler

Smart and Simple Web Crawler是一個Web爬蟲框架。整合Lucene支援。該爬蟲可以從單個連結或一個連結陣列開始，提供兩種遍歷模式：最大迭代和最大深度。可以設定 過濾器限制爬回來的連結，預設提供三個過濾器ServerFilter、BeginningPathFilter和 RegularExpressionFilter，這三個過濾器可用AND、OR和NOT聯合。在解析過程或頁面載入前後都可以加監聽器。

十四、Crawler4j

crawler4j是Java實現的開源網路爬蟲。提供了簡單易用的介面，可以在幾分鐘內建立一個多執行緒網路爬蟲。

crawler4j的使用主要分為兩個步驟：

1. 實現一個繼承自WebCrawler的爬蟲類；
2. 通過CrawlController呼叫實現的爬蟲類。

WebCrawler是一個抽象類，繼承它必須實現兩個方法：shouldVisit和visit。其中：

shouldVisit是判斷當前的URL是否已經應該被爬取（訪問）；

visit則是爬取該URL所指向的頁面的資料，其傳入的引數即是對該web頁面全部資料的封裝物件Page。

另外，WebCrawler還有其它一些方法可供覆蓋，其方法的命名規則類似於Android的命名規則。如getMyLocalData方法可以返回WebCrawler中的資料；onBeforeExit方法會在該WebCrawler執行結束前被呼叫，可以執行一些資源釋放之類的工作。

許可

Copyright (c) 2010-2015 Yasser Ganjisaffar

根據 Apache License 2.0 釋出

十五、Ex-Crawler

Ex-Crawler 是一個網頁爬蟲，採用 Java 開發，該專案分成兩部分，一個是守護程序，另外一個是靈活可配置的 Web 爬蟲。使用資料庫儲存網頁資訊。

Ex-Crawler分成三部分（Crawler Daemon，Gui Client和Web搜尋引擎），這三部分組合起來將成為一個靈活和強大的爬蟲和搜尋引擎。其中Web搜尋引擎部分採用PHP開發，幷包含一個內容管理系統CMS用於維護搜尋引擎。

十六、Crawler

Crawler是一個簡單的Web爬蟲。它讓你不用編寫枯燥，容易出錯的程式碼，而只專注於所需要抓取網站的結構。此外它還非常易於使用。

十七、Encog

Encog是一個高階神經網路和機器人/爬蟲開發類庫。Encog提供的這兩種功能可以單獨分開使用來建立神經網路或HTTP機器人程式，同時Encog還支援將這兩種高階功能聯合起來使用。Encog支援建立前饋神經網路、Hopfield神經網路、自組織圖。

Encog提供高階HTTP機器人/爬蟲程式設計功能。支援將多執行緒爬蟲產生的內容存在記憶體或資料庫中。支援HTM解析和高階表單與Cookie處理。

Encog是一種先進的機器學習框架，它支援多種先進的演算法，以及支援類正常化和處理資料。機器學習演算法，如支援向量機，人工神經網路，遺傳程式設計，貝葉斯網路，隱馬爾可夫模型，遺傳程式設計和遺傳演算法的支援。大多數Encog培訓algoritms是多執行緒的，很好地擴充套件到多核硬體。Encog還可以使用一個GPU，以進一步加快處理時間。一個基於GUI的工作臺也提供幫助模型和火車機器學習演算法。自2008年以來Encog一直在積極發展.

Encog 支援多種語言,包括C#  Java 和C

在GitHub上有各種語言版本的原始碼.

十八、Crawljax

Crawljax是一個開源Java工具用於Ajax Web應用程式的自動化抓取和測試。Crawljax能夠抓取/爬行任何基於Ajax的Web應用程式通過觸發事件和在表單中填充資料。