java爬虫（一）主流爬虫框架的基本介绍
java爬虫（一）主流爬虫框架的基本介绍
引言
获取：目前都有哪些爬虫技术？
理解：这些爬虫技术的特色是什么？
扩展：快速上手一下cdp4j爬虫技术。
纠错：解析网页过程中踩过的坑与填坑之路。
应用：实战爬取网易新闻评论内容。
正文
一、目前的主流java爬虫框架包括
Python中有Scrapy、Pyspider;
Java中有Nutch,WebMagic,WebCollector,heritrix3,Crawler4j
这些框架有哪些优缺点?
(1)、Scrapy:
Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试.
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
Scrap，是碎片的意思，这个Python的爬虫框架叫Scrapy。
优点：
1.极其灵活的定制化爬取。
2.社区人数比较多、文档比较完善。
3.URL去重采用布隆过滤器方案。
4.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。
缺点：
1.对新学员不友好，需要一定新手期
(2)、Pyspider:
pyspider 是一个用python实现的功能强大的网络爬虫系统，能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储，还能定时设置任务与任务优先级等。
优点：
1.支持分布式部署。
2.完全可视化，对用户非常友好：WEB 界面编写调试脚本，起停脚本，监控执行状态，查看活动历史，获取结果产出。
3.简单，五分钟就能上手。脚本规则简单，开发效率高。支持抓取JavaScript的页面。
总之，Pyspider非常强大，强大到更像一个产品而不是一个框架。
缺点：
1.URL去重使用数据库而不是布隆过滤器，亿级存储的db io将导致效率急剧降低。
2.使用上的人性化牺牲了灵活度，定制化能力降低。
(3)Apache Nutch（高大上）
Nutch是为搜索引擎设计的爬虫，大多数用户是需要一个做精准数据爬取（精抽取）的爬虫,Nutch运行的一套流程里，有三分之二是为了搜索引擎而设计的.
Nutch这个框架运行需要Hadoop，Hadoop需要开集群，对于想要快速入门爬虫的我是望而却步了......
一些资源地址列在这里，说不定以后会学习呢。
Apache顶级项目列表
Nutch官网
Nutch官方教程
1.Nutch支持分布式抓取，并有Hadoop支持，可以进行多机分布抓取，存储和索引。另外很吸引人的一点在于，它提供了一种插件框架，使得其对各种网页内容的解析、各种数据的采集、查询、集群、过滤等功能能够方便的进行扩展，正是由于有此框架，使得 Nutch 的插件开发非常容易，第三方的插件也层出不穷，极大的增强了 Nutch 的功能和声誉。
缺点
1.Nutch的爬虫定制能力比较弱
(4)、WebMagic
WebMagic是一个简单灵活的Java爬虫框架。基于WebMagic，你可以快速开发出一个高效、易维护的爬虫。
优点：
1.简单的API，可快速上手
2.模块化的结构，可轻松扩展
3.提供多线程和分布式支持
缺点:
1.不支持JS页面抓取
(5)、WebCollector
WebCollector是一个无须配置、便于二次开发的JAVA爬虫框架（内核），它提供精简的的API，只需少量代码即可实现一个功能强大的爬虫。WebCollector-Hadoop是WebCollector的Hadoop版本，支持分布式爬取。
优点:
1.基于文本密度的网页正文自动抽取
2.支持断点重爬
3.支持代理
缺点:
1.不支持分布式,只能单机
2.无URL优先级调度
3.活跃度不高
(6)、Heritrix3
Heritrix 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源
优点
Heritrix的爬虫定制参数多
缺点
1.单实例的爬虫，之间不能进行合作。
2.在有限的机器资源的情况下，却要复杂的操作。
3.只有官方支持，仅仅在Linux上进行了测试。
4.每个爬虫是单独进行工作的，没有对更新进行修订。
5.在硬件和系统失败时，恢复能力很差。
6.很少的时间用来优化性能。
7.相对于Nutch，Heritrix仅仅只是一个爬虫工具，没有提供搜索引擎。如果要对抓取的站点排序必须要实现类似于Pagerank的复杂算法。
(7)、Crawler4j
Crawler4j是一款基于Java的轻量级单机开源爬虫框架
优点
1.多线程采集
2.内置了Url 过滤机制，采用的是BerkeleyDB 进行url的过滤。
3.可扩展为支持结构化提取网页字段，可作为垂直采集用
缺点
1.不支持动态网页抓取，例如网页的ajax部分
2.不支持分布式采集，可以考虑将其作为分布式爬虫的一部分，客户端采集部分
为了更加直观这7种爬虫框架,小编做了一个框架优缺点对比图,如下:
Jsoup（经典·适合静态网友）
这个框架堪称经典，也是我们暑期实训老师讲解的框架。有近乎完整的文档介绍。
和HtmlUnit同样，只能get到静态内容。
不过，这个框架有个有个优点，具有很强大的解析网页的功能。
Jsoup中文教程
selenium（Google多名大佬参与开发）
感觉很厉害，实际真的很厉害，看官网以及其他人的介绍，说是真正模拟浏览器。GitHub1.4w+star，你没看错，上万了。但是我硬是没配好环境。入门Demo就是没法运行成功，所以就放弃了。
selenium 官方GitHub
cdp4j（方便快捷，但是需要依赖谷歌浏览器）
使用前提：
安装Chrome浏览器，即可。
简单介绍：
HtmlUnit的优点在于，可以方便的爬取静态网友；缺点在于，只能爬取静态网页。
selenium的优点在于，可以爬取渲染后的网页；缺点在于，需要配环境变量等等。
将二者整合，取长补短，就有了cdp4j。
之所以选用它，是因为真的方便好用，而且官方文档详细，Demo程序基本都能跑起来，类名起的见名知意。想当年学软件工程的时候，一直在纳闷，为什么要写文档啊，我程序能实现功能不就得了？现如今，看着如此详实的文档，留下了激动而又悔恨的泪水......
cdp4j有很多功能：
a. 获得渲染后的网页源码
b. 模拟浏览器点击事件
c. 下载网页上可以下载的文件
d. 对网页进行截屏或转PDF打印
e. 等等
更多详细信息可以自行去如下三个地址中探索发现：
[cdp4j官网地址]
[Github仓库]
[Demo列表]
总结
上述框架各有优缺点，其中cdp4j方便且功能齐全，但个人觉得唯一不足就是需要依赖谷歌浏览器。