Heritrix Heritrix是一个开源,可扩展的web爬虫项目.Heritrix设计成严格按照robots.txt文件的排除指示和META robots标签. http://crawler.archive.org/ WebSPHINX WebSPHINX是一个Java类包和Web爬虫的交互式开发环境.Web爬虫(也叫作机器人或蜘蛛)是可以自动浏览与处理Web页面的程序.WebSPHINX由两部分组成:爬虫工作平台和WebSPHINX类包. http://www.cs.cmu.edu/~rcm/websphinx/ WebLech WebLech是一个功能强大的Web站点下载与镜像工具.它支持按功能需求来下载web站点并能够尽可能模仿标准Web浏览器的行为.WebLech有一个功能控制台并采用多线程操作. http://weblech.sourceforge.net/ Arale Arale主要为个人使用而设计,而没有像其它爬虫一样是关注于页面索引.Arale能够下载整个web站点或来自web站点的某些资源.Arale还能够把动态页面映射成静态页面. http://flavio.tordini.org/arale J-Spider J-Spider:是一个完全可配置和定制的Web Spider引擎.你可以利用它来检查网站的错误(内在的服务器错误等),网站内外部链接检查,分析网站的结构(可创建一个网站地图),下载整个Web站点,你还可以写一个JSpider插件来扩展你所需要的功能. http://j-spider.sourceforge.net/ spindle spindle 是一个构建在Lucene工具包之上的Web索引/搜索工具.它包括一个用于创建索引的HTTP spider和一个用于搜索这些索引的搜索类.spindle项目提供了一组JSP标签库使得那些基于JSP的站点不需要开发任何Java类就能够增加搜索功能. Arachnid Arachnid: 是一个基于Java的web spider框架.它包含一个简单的HTML剖析器能够分析包含HTML内容的输入流.通过实现Arachnid的子类就能够开发一个简单的Web spiders并能够在Web站上的每个页面被解析之后增加几行代码调用. Arachnid的下载包中包含两个spider应用程序例子用于演示如何使用该框架. http://arachnid.sourceforge.net/ LARM LARM能够为Jakarta Lucene搜索引擎框架的用户提供一个纯Java的搜索解决方案.它包含能够为文件,数据库表格建立索引的方法和为Web站点建索引的爬虫. http://larm.sourceforge.net/ JoBo JoBo 是一个用于下载整个Web站点的简单工具.它本质是一个Web Spider.与其它下载工具相比较它的主要优势是能够自动填充form(如:自动登录)和使用cookies来处理session.JoBo还有灵活的下载规则(如:通过网页的URL,大小,MIME类型等)来限制下载. http://www.matuschek.net/jobo/ snoics-reptile snoics- reptile是用纯Java开发的,用来进行网站镜像抓取的工具,可以使用配制文件中提供的URL入口,把这个网站所有的能用浏览器通过GET的方式获取到的资源全部抓取到本地,包括网页和各种类型的文件,如:图片,flash,mp3,zip,rar,exe等文件.可以将整个网站完整地下传至硬盘内,并能保持原有的网站结构精确不变.只需要把抓取下来的网站放到web服务器(如:Apache)中,就可以实现完整的网站镜像.下载地址:snoics-reptile2.0.part1.rarsnoics-reptile2.0.part2.rarsnoics-reptile2.0-doc.rar http://www.blogjava.net/snoics Web-Harvest Web-Harvest是一个Java开源Web数据抽取工具.它能够收集指定的Web页面并从这些页面中提取有用的数据.Web-Harvest主要是运用了像XSLT,XQuery,正则表达式等这些技术来实现对text/xml的操作. http://web-harvest.sourceforge.net/ ItSucks ItSucks是一个java web spider(web机器人,爬虫)开源项目.支持通过下载模板和正则表达式来定义下载规则.提供一个swing GUI操作界面. http://itsucks.sourceforge.net/ http://www.txdnet.cn/essay/view.jsp?tid=1253717497796&cid=2

评论