首页 > 代码库 > java 网络爬虫框架

java 网络爬虫框架

        java 网络爬虫框架:

       apache Nutch ,Heritrix等,主要参照开源社区提供的40个开源项目

      

        文章背景:

        最近要写个爬虫抓去新浪微博的数据,然后用hadoop存储后,进行分析,就在网上搜取相关资料。

        网友推荐使用python来做,但鉴于本人擅长的是java,学习python需要一定的时间成本,还是选择java.一开始想自己从头写,搜到apache httpClient,  后来想着还是用开源成熟的框架来做,目前觉得apache Nutch 和Heritrix是个不错的选择,不过我还没开始实验,所以文章待续。。。

       

        相关链接:

        apache Nutch  wiki

        Nutch官网:

        Heritrix   wiki  

        github for Nutch

        api for Nutch

        


  其他博客:

Nutch介绍及使用

Nutch 快速入门(Nutch 2.2.1)

Nutch-2.2.1学习


java 网络爬虫框架