搜索引擎的实现过程，可以看作三步：1. 从互联网上抓取网页2. 对网页进行处理，建立索引数据库3. 进行查询。因此无论什么样的搜索引擎，都必须要有一个设计良好的爬虫来支持。
1.Heritrix
优点：Heritrix 是SourceForge 上基于Java 的开源爬虫，它可以通过Web 用户界面来启动、设置爬行参数并监控爬行，同时开发者可以随意地扩展它的各个组件，来实现自己的抓取逻辑，因其方便的可扩展性而深受广大搜索引擎爱好者的喜爱。
缺点：虽然Heritrix 功能强大，但其配置复杂，而且官方只在Linux 系统上测试通过，用户难以上手。
根据网上来看这个软件还没有完善。
2. WebSPHINX
优点：比较简单
缺点：只能一个字段
3.网页抓取/信息提取/数据抽取软件工具包MetaSeeker (GooSeeker) V
4.11.2正式发布，在线版免费下载和使用，源代码可阅读。自推出以来，深受喜爱，主要应用领域：
•垂直搜索（Vertical Search）：也称为专业搜索，高速、海量和精确抓取是定题网络爬虫DataScraper
的强项，每天24小时每周7天无人值守自主调度的周期性批量采集，加上断点续传和软件看门狗(Watch Dog)，确保您高枕无忧
•移动互联网：手机搜索、手机混搭(mashup)、移动社交网络、移动电子商务都离不开结构化的数据内容，DataScraper实时高效地采集内容，输出富含语义元数据的
XML格式的抓取结果文件，确保自动化的数据集成和加工，跨越小尺寸屏幕展现和高精准信息检索的障碍。手机互联网不是Web的子集而是全部，由MetaSeeker架设桥梁
•企业竞争情报采集/数据挖掘：俗称商业智能（Business Intelligence），噪音信息滤除、结构化转换，确保数据的准确性和时效性，独有的广域分布式架构，赋予DataScraper 无与伦比的情报采集渗透能力，AJAX/Javascript动态页面、服务器动态网页、静态页面、各种鉴权认证机制，一视同仁。在微博网站数据采集和舆情监测领域远远领先其它产品。
4. seeker/cn/node/document/metaseeker/installationv4/deployclient
缺点是：只是限定于firefox浏览器
MetaSeeker工具包是一套完整的网页内容抓取、格式化、数据集成、存储管理和搜索解决方案，此文简单介绍一下其网络爬虫的特点：
网络爬虫有多种实现方法，如果按照部署在哪里分，可以分成：
1，服务器侧：一般是一个多线程程序，同时下载多个目标HTML，可以用PHP，Java, Python(当前很流行）等做，可以速度做得很快，一般综合搜索引擎的爬虫这样做。但是，如果对方讨厌爬虫，很可能封掉你的IP，服务器IP又不容易改，另外耗用的带宽也是挺贵的。建议看一下Beautiful soap。
2，客户端：一般实现定题爬虫，或者是聚焦爬虫，做综合搜索引擎不容易成功，而垂直搜诉或者比价服务或者推荐引擎，相对容易很多，这类爬虫不是什么页面都取的，而是只取你关系的页面，而且只取页面上关心的内容，例如提取黄页信息，商品价格信息，还有提取竞争对手广告信息的，搜一下Spyfu，很有趣。这类爬虫可以部署很多，而且可以很有侵略性，对方很难封锁。
MetaSeeker中的网络爬虫就属于后者。
如果从怎样提取数据上分，还可以分成两类，我们只说定题爬虫，普通爬虫要简单的多，网上大把。这两类是：
python正则表达式爬虫1，通过正则表达式提取内容，HTML文件就是一个文本文件，直接使用正则表达式在指定地方提取内容即可，指定地方不一定是绝对定位，例如，可以参照HTML的标签定位，更准确
2，利用DOM提取内容，HTML文件先转成DOM数据结构，在遍历这个结构提取内容。
MetaSeeker中的网络爬虫还属于后者。
有人会问，为什么还要用DOM方式，转了一道？有很多原因决定DOM方式的存在理由：
首先，DOM结构的分析都不用自己做，有现成的库，编程并没有变复杂；

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。