开发网络爬虫应该选择 Nutch、Crawler4j、WebMagic、scrapy、WebCollector 还是其他的？这里按照我的经验随便扯淡一下：上面说的爬虫，基本可以分 3 类

1.分布式爬虫：Nutch

2.Java 单机爬虫：Crawler4j、WebMagic、WebCollector

3. 非 JAVA 单机爬虫：scrapy

第一类:分布式爬虫

爬虫使用分布式，主要是解决两个问题：

1)海量 URL 管理

2)网速

现在比较流行的分布式爬虫，是 Apache 的 Nutch。但是对于大多数用户来说，Nutch 是这几类爬虫里，最不好的选择，理由如下：

1)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。对精抽取没有太大的意义。也就是说，用 Nutch 做数据抽取，会浪费很多的时间在不必要的计算上。而且如果你试图通过对 Nutch 进行二次开发，来使得它适用于精抽取的业务，基本上就要破坏 Nutch 的框架，把 Nutch 改的面目全非，有修改 Nutch 的能力，真的不如自己重新写一个分布式爬虫框架了。

2)Nutch 依赖 Hadoop 运行，hadoop 本身会消耗很多的时间。如果集群机器数量较少，爬取速度反而不如单机爬虫快。

3)Nutch 虽然有一套插件机制，而且作为亮点宣传。可以看到一些开源的 Nutch 插件，提供精抽取的功能。但是开发过 Nutch 插件的人都知道，Nutch 的插件系统有多蹩脚。利用反射的机制来加载和调用插件，使得程序的编写和调试都变得异常困难，更别说在上面开发一套复杂的精抽取系统了。而且 Nutch 并没有为精抽取提供相应的插件挂载点。Nutch 的插件有只有五六个挂载点，而这五六个挂载点都是为了搜索引擎服务的，并没有为精抽取提供挂载点。大多数 Nutch 的精抽取插件，都是挂载在“页面解析”(parser)这个挂载点的，这个挂载点其实是为了解析链接（为后续爬取提供 URL），以及为搜索引擎提供一些易抽取的网页信息(网页的 meta 信息、text 文本)。

4)用 Nutch 进行爬虫的二次开发，爬虫的编写和调试所需的时间，往往是单机爬虫所需的十倍时间不止。了解 Nutch 源码的学习成本很高，何况是要让一个团队的人都读懂 Nutch 源码。调试过程中会出现除程序本身之外的各种问题(hadoop 的问题、Hbase 的问题)。

5)很多人说 Nutch2 有 gora，可以持久化数据到 avro 文件、hbase、MySQL 等。很多人其实理解错了，这里说的持久化数据，是指将 URL 信息（URL 管理所需要的数据）存放到 avro、hbase、mysql。并不是你要抽取的结构化数据。其实对大多数人来说，URL 信息存在哪里无所谓。

6)Nutch2 的版本目前并不适合开发。官方现在稳定的 Nutch 版本是 nutch2.2.1，但是这个版本绑定了 gora-0.3。如果想用 hbase 配合 nutch（大多数人用 nutch2 就是为了用 hbase)，只能使用 0.90 版本左右的 hbase，相应的就要将 hadoop 版本降到 hadoop 0.2 左右。而且 nutch2 的官方教程比较有误导作用，Nutch2 的教程有两个，分别是 Nutch1.x 和 Nutch2.x，这个 Nutch2.x 官网上写的是可以支持到 hbase 0.94。但是实际上，这个 Nutch2.x 的意思是 Nutch2.3 之前、Nutch2.2.1 之后的一个版本，这个版本在官方的 SVN 中不断更新。而且非常不稳定（一直在修改）。

所以，如果你不是要做搜索引擎，尽量不要选择 Nutch 作为爬虫。有些团队就喜欢跟风，非要选择 Nutch 来开发精抽取的爬虫，其实是冲着 Nutch 的名气（Nutch 作者是 Doug Cutting），当然最后的结果往往是项目延期完成。

如果你是要做搜索引擎，Nutch1.x 是一个非常好的选择。Nutch1.x 和 solr 或者 es 配合，就可以构成一套非常强大的搜索引擎了。如果非要用 Nutch2 的话，建议等到 Nutch2.3 发布再看。目前的 Nutch2 是一个非常不稳定的版本。

第二类:JAVA 单机爬虫

这里把 JAVA 爬虫单独分为一类，是因为 JAVA 在网络爬虫这块的生态圈是非常完善的。相关的资料也是最全的。这里可能有争议，我只是随便扯淡。

其实开源网络爬虫（框架）的开发非常简单，难问题和复杂的问题都被以前的人解决了（比如 DOM 树解析和定位、字符集检测、海量 URL 去重），可以说是毫无技术含量。包括 Nutch，其实 Nutch 的技术难点是开发 hadoop，本身代码非常简单。网络爬虫从某种意义来说，类似遍历本机的文件，查找文件中的信息。没有任何难度可言。之所以选择开源爬虫框架，就是为了省事。比如爬虫的 URL 管理、线程池之类的模块，谁都能做，但是要做稳定也是需要一段时间的调试和修改的。

对于爬虫的功能来说。用户比较关心的问题往往是：

1）爬虫支持多线程么、爬虫能用代理么、爬虫会爬取重复数据么、爬虫能爬取 JS 生成的信息么？

不支持多线程、不支持代理、不能过滤重复 URL 的，那都不叫开源爬虫，那叫循环执行 http 请求。

能不能爬 js 生成的信息和爬虫本身没有太大关系。爬虫主要是负责遍历网站和下载页面。爬 js 生成的信息和网页信息抽取模块有关，往往需要通过模拟浏览器(htmlunit,selenium)来完成。这些模拟浏览器，往往需要耗费很多的时间来处理一个页面。所以一种策略就是，使用这些爬虫来遍历网站，遇到需要解析的页面，就将网页的相关信息提交给模拟浏览器，来完成 JS 生成信息的抽取。

2）爬虫可以爬取 ajax 信息么？

网页上有一些异步加载的数据，爬取这些数据有两种方法：使用模拟浏览器（问题 1 中描述过了），或者分析 ajax 的 http 请求，自己生成 ajax 请求的 url，获取返回的数据。如果是自己生成 ajax 请求，使用开源爬虫的意义在哪里？其实是要用开源爬虫的线程池和 URL 管理功能（比如断点爬取）。

如果我已经可以生成我所需要的 ajax 请求（列表），如何用这些爬虫来对这些请求进行爬取？

爬虫往往都是设计成广度遍历或者深度遍历的模式，去遍历静态或者动态页面。爬取 ajax 信息属于 deep web（深网）的范畴，虽然大多数爬虫都不直接支持。但是也可以通过一些方法来完成。比如 WebCollector 使用广度遍历来遍历网站。爬虫的第一轮爬取就是爬取种子集合(seeds)中的所有 url。简单来说，就是将生成的 ajax 请求作为种子，放入爬虫。用爬虫对这些种子，进行深度为 1 的广度遍历（默认就是广度遍历）。

3）爬虫怎么爬取要登陆的网站？

这些开源爬虫都支持在爬取时指定 cookies，模拟登陆主要是靠 cookies。至于 cookies 怎么获取，不是爬虫管的事情。你可以手动获取、用 http 请求模拟登陆或者用模拟浏览器自动登陆获取 cookie。

4）爬虫怎么抽取网页的信息？

开源爬虫一般都会集成网页抽取工具。主要支持两种规范：CSS SELECTOR 和 XPATH。至于哪个好，这里不评价。

5）爬虫怎么保存网页的信息？

有一些爬虫，自带一个模块负责持久化。比如 webmagic，有一个模块叫 pipeline。通过简单地配置，可以将爬虫抽取到的信息，持久化到文件、数据库等。还有一些爬虫，并没有直接给用户提供数据持久化的模块。比如 crawler4j 和 webcollector。让用户自己在网页处理模块中添加提交数据库的操作。至于使用 pipeline 这种模块好不好，就和操作数据库使用 ORM 好不好这个问题类似，取决于你的业务。

6）爬虫被网站封了怎么办？

爬虫被网站封了，一般用多代理（随机代理）就可以解决。但是这些开源爬虫一般没有直接支持随机代理的切换。所以用户往往都需要自己将获取的代理，放到一个全局数组中，自己写一个代理随机获取（从数组中）的代码。

7）网页可以调用爬虫么？

爬虫的调用是在 Web 的服务端调用的，平时怎么用就怎么用，这些爬虫都可以使用。

8）爬虫速度怎么样？

单机开源爬虫的速度，基本都可以讲本机的网速用到极限。爬虫的速度慢，往往是因为用户把线程数开少了、网速慢，或者在数据持久化时，和数据库的交互速度慢。而这些东西，往往都是用户的机器和二次开发的代码决定的。这些开源爬虫的速度，都很可以。

9）明明代码写对了，爬不到数据，是不是爬虫有问题，换个爬虫能解决么？

如果代码写对了，又爬不到数据，换其他爬虫也是一样爬不到。遇到这种情况，要么是网站把你封了，要么是你爬的数据是 JavaScript 生成的。爬不到数据通过换爬虫是不能解决的。

10）哪个爬虫可以判断网站是否爬完、那个爬虫可以根据主题进行爬取？

爬虫无法判断网站是否爬完，只能尽可能覆盖。

至于根据主题爬取，爬虫之后把内容爬下来才知道是什么主题。所以一般都是整个爬下来，然后再去筛选内容。如果嫌爬的太泛，可以通过限制 URL 正则等方式，来缩小一下范围。

11）哪个爬虫的设计模式和构架比较好？

设计模式纯属扯淡。说软件设计模式好的，都是软件开发完，然后总结出几个设计模式。设计模式对软件开发没有指导性作用。用设计模式来设计爬虫，只会使得爬虫的设计更加臃肿。

至于构架，开源爬虫目前主要是细节的数据结构的设计，比如爬取线程池、任务队列，这些大家都能控制好。爬虫的业务太简单，谈不上什么构架。

所以对于 JAVA 开源爬虫，我觉得，随便找一个用的顺手的就可以。如果业务复杂，拿哪个爬虫来，都是要经过复杂的二次开发，才可以满足需求。

第三类:非 JAVA 单机爬虫

在非 JAVA 语言编写的爬虫中，有很多优秀的爬虫。这里单独提取出来作为一类，并不是针对爬虫本身的质量进行讨论，而是针对 larbin、scrapy 这类爬虫，对开发成本的影响。

先说 Python 爬虫，python 可以用 30 行代码，完成 Java 50 行代码干的任务。python 写代码的确快，但是在调试代码的阶段，python 代码的调试往往会耗费远远多于编码阶段省下的时间。使用 python 开发，要保证程序的正确性和稳定性，就需要写更多的测试模块。当然如果爬取规模不大、爬取业务不复杂，使用 scrapy 这种爬虫也是蛮不错的，可以轻松完成爬取任务。

对于 C++ 爬虫来说，学习成本会比较大。而且不能只计算一个人的学习成本，如果软件需要团队开发或者交接，那就是很多人的学习成本了。软件的调试也不是那么容易。

还有一些 ruby、PHP 的爬虫，这里不多评价。的确有一些非常小型的数据采集任务，用 ruby 或者 php 很方便。但是选择这些语言的开源爬虫，一方面要调研一下相关的生态圈，还有就是，这些开源爬虫可能会出一些你搜不到的 BUG（用的人少、资料也少）