爬蟲框架是什么

爬蟲系統首先從互聯網頁面中精心選擇一部分網頁，以這些網頁的鏈接地址作為種子URL，將這些種子放入待抓取URL隊列中，爬蟲從待抓取URL隊列依次讀取，并將URL通過DNS解析，把鏈接地址轉換為網站服務器對應的IP地址。

然后將其和網頁相對路徑名稱交給網頁下載器，網頁下載器負責頁面的下載。

對于下載到本地的網頁，一方面將其存儲到頁面庫中，等待建立索引等后續處理；另一方面將下載網頁的URL放入已抓取隊列中，這個隊列記錄了爬蟲系統已經下載過的網頁URL，以避免系統的重復抓取。

對于剛下載的網頁，從中抽取出包含的所有鏈接信息，并在已下載的URL隊列中進行檢查，如果發現鏈接還沒有被抓取過，則放到待抓取URL隊列的末尾。在之后的抓取調度中會下載這個URL對應的網頁。

如此這般，形成循環，直到待抓取URL隊列為空，這代表著爬蟲系統將能夠抓取的網頁已經悉數抓完，此時完成了一輪完整的抓取過程。

爬蟲框架有哪些

1、神箭手云爬蟲框架

是一個免費的網絡爬蟲框架，為開發者提供成套的開發教程和開發工具，為企業提供專業化的數據抓取、數據實時監控和數據分析服務。

最大的特點是一站式服務，通過底層框架簡化了網絡爬蟲開發難度，而且提供了豐富的開源網絡爬蟲資源。

2、Nutch

這是一個開源Java實現的搜索引擎，提供了我們運行自己的搜索引擎所需的全部工具，包括全文搜索和Web爬蟲。Nutch目前最新的版本為versionv2.3。

3、Crawler4j

Crawler4j是一個開源的Java類庫提供一個用于抓取Web頁面的簡單接口。可以利用它來構建一個多線程的Web爬蟲。

4、WebMagic

WebMagic是一個簡單靈活的Java爬蟲框架。

它的特性包括：簡單的API，可快速上手;模塊化的結構，可輕松擴展;提供多線程和分布式支持

5、Heritrix

這是一個由java開發的、開源的網絡爬蟲，用戶可以使用它來從網上抓取想要的資源。其最出色之處在于它良好的可擴展性，方便用戶實現自己的抓取邏輯。