blocks|key|4217316|text|当涉及到免费爬虫时，Nutch是你能做的最好的选择。它是基于Lucene的概念构建的(以企业规模的方式)，并由使用MapReduce+(类似于谷歌)的Hadoop后端支持，用于大规模数据查询。伟大的产品！我目前正在从manning的新的(尚未发布的)+Hadoop+in+Action中阅读关于Hadoop的所有内容。如果你走这条路，我建议你加入他们的技术审查团队，获得这本书的早期副本！|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|4217317|这些都是基于Java的。如果你是一个.net的家伙(像我一样！)然后，您可能会对Lucene.NET、Nutch.NET和Hadoop.NET更感兴趣，它们都是逐个类和逐个C#的api端口。|4217318|entityMap|0|LINK|mutability|MUTABLE|url|http://lucene.apache.org/nutch/|1|http://lucene.apache.org/java/docs/|2|http://labs.google.com/papers/mapreduce.html|3|http://hadoop.apache.org/core/|4|http://www.manning.com/lam/|5|http://incubator.apache.org/lucene.net/|6|http://sourceforge.net/projects/dotnutch|7|http://code.google.com/p/hadoopdotnet/^0|A|5|0|U|6|1|1L|9|2|23|6|3|3I|G|4|0|14|A|5|1F|9|6|1P|A|7|0^^$0|@$1|2|3|4|5|6|7|11|8|@]|9|@$A|12|B|13|1|14]|$A|15|B|16|1|17]|$A|18|B|19|1|1A]|$A|1B|B|1C|1|1D]|$A|1E|B|1F|1|1G]]|C|$]]|$1|D|3|E|5|6|7|1H|8|@]|9|@$A|1I|B|1J|1|1K]|$A|1L|B|1M|1|1N]|$A|1O|B|1P|1|1Q]]|C|$]]|$1|F|3|-4|5|6|7|1R|8|@]|9|@]|C|$]]]|G|$H|$5|I|J|K|C|$L|M]]|N|$5|I|J|K|C|$L|O]]|P|$5|I|J|K|C|$L|Q]]|R|$5|I|J|K|C|$L|S]]|T|$5|I|J|K|C|$L|U]]|V|$5|I|J|K|C|$L|W]]|X|$5|I|J|K|C|$L|Y]]|Z|$5|I|J|K|C|$L|10]]]]

<a href="http://lucene.apache.org/nutch/" rel="noreferrer">Nutch</a> is the best you can do when it comes to a free crawler. It is built off of the concept of <a href="http://lucene.apache.org/java/docs/" rel="noreferrer">Lucene</a> (in an enterprise scaled manner) and is supported by the <a href="http://hadoop.apache.org/core/" rel="noreferrer">Hadoop</a> back end using <a href="http://labs.google.com/papers/mapreduce.html" rel="noreferrer">MapReduce</a> (similar to Google) for large scale data querying. Great products! I am currently reading all about Hadoop in the new (not yet released) <a href="http://www.manning.com/lam/" rel="noreferrer">Hadoop in Action</a> from manning. If you go this route I suggest getting onto their technical review team to get an early copy of this title! 

These are all Java based. If you are a .net guy (like me!!) then you might be more interested in <a href="http://incubator.apache.org/lucene.net/" rel="noreferrer">Lucene.NET</a>, <a href="http://sourceforge.net/projects/dotnutch" rel="noreferrer">Nutch.NET</a>, and <a href="http://code.google.com/p/hadoopdotnet/" rel="noreferrer">Hadoop.NET</a> which are all class by class and api by api ports to C#.

blocks|key|1362954|text|您可能还想尝试Scrapy+http://scrapy.org/|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|1362955|指定和运行爬虫真的很容易。|1362956|entityMap|0|LINK|mutability|MUTABLE|url|http://scrapy.org/^0|E|I|0|0|0^^$0|@$1|2|3|4|5|6|7|N|8|@]|9|@$A|O|B|P|1|Q]]|C|$]]|$1|D|3|E|5|6|7|R|8|@]|9|@]|C|$]]|$1|F|3|-4|5|6|7|S|8|@]|9|@]|C|$]]]|G|$H|$5|I|J|K|C|$L|M]]]]

You May also want to try Scrapy <a href="http://scrapy.org/" rel="nofollow">http://scrapy.org/</a>

It is really easy to specify and run your crawlers.

blocks|key|4217361|text|Abot是一个很好的可扩展的网络爬虫。架构的每个部分都是可插拔的，让您可以完全控制其行为。它的开源，免费的商业和个人使用，用C#编写。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|4217362|https://github.com/sjdirect/abot|offset|length|4217363|entityMap|0|LINK|mutability|MUTABLE|url^0|0|0|W|0|0^^$0|@$1|2|3|4|5|6|7|M|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|N|8|@]|9|@$D|O|E|P|1|Q]]|A|$]]|$1|F|3|-4|5|6|7|R|8|@]|9|@]|A|$]]]|G|$H|$5|I|J|K|A|$L|C]]]]

Abot is a good extensible web-crawler. Every part of the architecture is pluggable giving you complete control over its behavior. Its open source, free for commercial and personal use, written in C#.

<a href="https://github.com/sjdirect/abot" rel="nofollow">https://github.com/sjdirect/abot</a>

blocks|key|4217225|text|我最近发现了一个名为-+Nutch的函数。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|4217226|entityMap|0|LINK|mutability|MUTABLE|url|http://lucene.apache.org/nutch/^0|C|5|0|0^^$0|@$1|2|3|4|5|6|7|L|8|@]|9|@$A|M|B|N|1|O]]|C|$]]|$1|D|3|-4|5|6|7|P|8|@]|9|@]|C|$]]]|E|$F|$5|G|H|I|C|$J|K]]]]

I've discovered recently one called - <a href="http://lucene.apache.org/nutch/" rel="nofollow noreferrer">Nutch</a>.

blocks|key|62402|text|如果你不是被平台所束缚，我过去对Nutch有很好的体验。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|62403|它是用Java编写的，与Lucene索引器齐头并进。|62404|entityMap|0|LINK|mutability|MUTABLE|url|http://lucene.apache.org/nutch/^0|G|5|0|0|0^^$0|@$1|2|3|4|5|6|7|N|8|@]|9|@$A|O|B|P|1|Q]]|C|$]]|$1|D|3|E|5|6|7|R|8|@]|9|@]|C|$]]|$1|F|3|-4|5|6|7|S|8|@]|9|@]|C|$]]]|G|$H|$5|I|J|K|C|$L|M]]]]

If you're not tied down to platform, I've had very good experiences with <a href="http://lucene.apache.org/nutch/" rel="nofollow noreferrer">Nutch</a> in the past.

It's written in Java and goes hand in hand with the Lucene indexer.

The crawler needs to have an extendable architecture to allow changing the internal process, like implementing new steps (pre-parser, parser, etc...)

I found the Heritrix Project (<a href="http://crawler.archive.org/" rel="noreferrer">http://crawler.archive.org/</a>). 

But there are other nice projects like that?

Anybody knows a good extendable open source web-crawler?

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

爬虫需要具有可扩展的体系结构，以允许更改内部流程，如实现新步骤(预解析器、解析器等)。我找到了Heritrix Project ()。但是还有其他像这样的好项目吗？

问有谁知道一个好的可扩展的开源网络爬虫？
EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问有谁知道一个好的可扩展的开源网络爬虫？EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问有谁知道一个好的可扩展的开源网络爬虫？
EN