解决方案:优采云 淘宝商品采集器1.8.0.1 绿色版

　　解决方案:优采云

淘宝商品采集器1.8.0.1 绿色版

　　这是一款用于采集

淘宝商品销售数据输出报表的软件，直接采集淘宝搜索页面数据，包括产品的月销量、月销量、卖家昵称、淘宝店铺或天猫店铺、产品标题等，输出为电子商务数据报表（CSV文件），可用于分析电商行情、同行销售业绩评估等用途。

　　每个产品关键词支持100个页面，约4000个产品销售数据和婴儿属性。支持详细的搜索参数设置，支持多个产品关键词顺序集合。

　　使用说明

　　步骤一：设置集合参数

　　【产品关键词】：可放置多个顺序集合，如“女装|男士|主人”

　　【排除关键词】：是不允许收录

目标商品名称的关键词，也可以放置多个排除项

　　关键词对应于产品的关键词，例如“着装|T恤|I5”

　　

" />

　　【指定区域】：区域可以是省名，如“广东”或城市名称“广州”，如果需要给出多个区域，可以用逗号“，如”广东、杭州、北京”

　　本集是对淘宝的直接搜索，对网页中数据的精准提取

　　步骤 2：开始采集

　　采集

的页数：最多 100 页。每个关键词可以采集

大约 4，000 件物品。

　　步骤 3：导出采集

结果

　　您可以勾选字段

　　想要导出，或者您可以调整字段的顺序。这将在保存导出时根据字段设置导出数据

　　在“导出”对话框中选择 CSV 文件时，报表列将自动添加到第一行，并且不会添加其他格式。

　　

" />

　　当多个关键词独立保存时，不同关键词采集

的数据将独立保存到文件中，文件名是关键词本身。“每月

　　营业额”字段是“每月销售单位×价格”的结果

　　注：采集的数据是从淘宝商品搜索结果中提取的，经过测试发现，搜索结果中产品的销量与宝宝打开页的销量存在差异。因此，为了获得准确的销售价值，您需要勾选“每月售出的商品数量以读取详情页面的确切价值”，这样取货速度就会减慢。

　　1.8.0.1 更新内容

　　- 添加了读取准确销售的选项，修复了错误消息。

　　电脑正式版

　　安卓官方手机版

　　IOS官方手机版

　　解决方案:33款可用来抓数据的开源爬虫软件工具

　　这个项目目前还很不成熟，但是功能基本都完成了。要求使用者熟悉XML，熟悉正则表达式。目前通过这个工具可以抓取各类论坛，贴吧，以及各类CMS系统。像Discuz!,phpbb,论坛跟博客的文章，通过本工具都可以轻松抓取。抓取定义完全采用XML，适合Java开发人员使用。

　　使用方法：

　　下载右边的.war包导入到eclipse中，

　　使用WebContent/sql下的wcc.sql文件建立一个范例数据库，

　　修改src包下wcc.core的dbConfig.txt，将用户名与密码设置成你自己的mysql用户名密码。

　　然后运行SystemCore,运行时候会在控制台，无参数会执行默认的example.xml的配置文件，带参数时候名称为配置文件名。

　　系统自带了3个例子，分别为baidu.xml抓取百度知道，example.xml抓取我的javaeye的博客，bbs.xml抓取一个采用 discuz论坛的内容。

　　特点：通过XML配置文件实现高度可定制性与可扩展性

　　12、Spiderman

　　Spiderman 是一个基于微内核+插件式架构的网络蜘蛛，它的目标是通过简单的方法就能将复杂的目标网页信息抓取并解析为自己所需要的业务数据。

　　怎么使用？

　　首先，确定好你的目标网站以及目标网页（即某一类你想要获取数据的网页，例如网易新闻的新闻页面）

　　然后，打开目标页面，分析页面的HTML结构，得到你想要数据的XPath，具体XPath怎么获取请看下文。

　　最后，在一个xml配置文件里填写好参数，运行Spiderman吧！

　　特点：灵活、扩展性强，微内核+插件式架构，通过简单的配置就可以完成数据抓取，无需编写一句代码

　　13、webmagic

　　webmagic的是一个无须配置、便于二次开发的爬虫框架，它提供简单灵活的API，只需少量代码即可实现一个爬虫。

　　webmagic采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线程抓取，分布式抓取，并支持自动重试、自定义UA/cookie等功能。

　　webmagic收录

强大的页面抽取功能，开发者可以便捷的使用css selector、xpath和正则表达式进行链接和内容的提取，支持多个选择器链式调用。

　　webmagic的使用文档：

　　查看源代码：

　　特点：功能覆盖整个爬虫生命周期，使用Xpath和正则表达式进行链接和内容的提取。

　　备注：这是一款国产开源软件，由 黄亿华贡献

　　14、Web-Harvest

　　Web-Harvest是一个Java开源Web数据抽取工具。它能够采集

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。

　　其实现原理是，根据预先定义的配置文件用httpclient获取页面的全部内容（关于httpclient的内容，本博有些文章已介绍），然后运用XPath、XQuery、正则表达式等这些技术来实现对text/xml的内容筛选操作，选取精确的数据。前两年比较火的垂直搜索（比如：酷讯等）也是采用类似的原理实现的。Web-Harvest应用，关键就是理解和定义配置文件，其他的就是考虑怎么处理数据的Java代码。当然在爬虫开始前，也可以把Java变量填充到配置文件中，实现动态的配置。

　　特点：运用XSLT、XQuery、正则表达式等技术来实现对Text或XML的操作，具有可视化的界面

　　15、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。

　　授权协议：Apache

　　开发语言：Java

　　特点：由两部分组成：爬虫工作平台和WebSPHINX类包

　　16、YaCy

　　YaCy基于p2p的分布式Web搜索引擎.同时也是一个Http缓存代理服务器.这个项目是构建基于p2p Web索引网络的一个新方法.它可以搜索你自己的或全局的索引,也可以Crawl自己的网页或启动分布式Crawling等.

　　特点：基于P2P的分布式Web搜索引擎

　　Python爬虫17、QuickRecon

　　QuickRecon是一个简单的信息采集

工具,它可以帮助你查找子域名名称、perform zone transfe、采集

电子邮件地址和使用microformats寻找人际关系等。QuickRecon使用python编写，支持linux和 windows操作系统。

　　特点：具有查找子域名名称、采集

电子邮件地址并寻找人际关系等功能

　　18、PyRailgun

　　这是一个非常简单易用的抓取工具。支持抓取javascript渲染的页面的简单实用高效的python网页爬虫抓取模块

　　特点：简洁、轻量、高效的网页抓取框架

　　

" />

　　备注：此软件也是由国人开放

　　github下载：#readme

　　19、Scrapy

　　Scrapy 是一套基于基于Twisted的异步处理框架，纯python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～

　　github源代码：

　　特点：基于Twisted的异步处理框架，文档齐全

　　C++爬虫20、hispider

　　HiSpider is a fast and high performance spider with high speed

　　严格说只能是一个spider系统的框架, 没有细化需求, 目前只是能提取URL, URL排重, 异步DNS解析, 队列化任务, 支持N机分布式下载, 支持网站定向下载(需要配置hispiderd.ini whitelist).

　　特征和用法:

　　工作流程:

　　授权协议： BSD

　　开发语言： C/C++

　　操作系统： Linux

　　特点：支持多机分布式下载, 支持网站定向下载

　　21、larbin

　　larbin是一种开源的网络爬虫/网络蜘蛛，由法国的年轻人 Sébastien Ailleret独立开发。larbin目的是能够跟踪页面的url进行扩展的抓取，最后为搜索引擎提供广泛的数据来源。Larbin只是一个爬虫，也就 是说larbin只抓取网页，至于如何parse的事情则由用户自己完成。另外，如何存储到数据库以及建立索引的事情 larbin也不提供。一个简单的larbin的爬虫可以每天获取５００万的网页。

　　利用larbin，我们可以轻易的获取/确定单个网站的所有链接，甚至可以镜像一个网站；也可以用它建立url 列表群，例如针对所有的网页进行 url retrive后，进行xml的联结的获取。或者是 mp3，或者定制larbin，可以作为搜索引擎的信息的来源。

　　特点：高性能的爬虫软件，只负责抓取不负责解析

　　22、Methabot

　　Methabot 是一个经过速度优化的高可配置的 WEB、FTP、本地文件系统的爬虫软件。

　　特点：过速度优化、可抓取WEB、FTP及本地文件系统

　　源代码：

　　C#爬虫23、NWebCrawler

　　NWebCrawler是一款开源，C#开发网络爬虫程序。

　　特性：

　　授权协议： GPLv2

　　开发语言： C#

　　操作系统： Windows

　　项目主页：

　　特点：统计信息、执行过程可视化

　　24、Sinawler

　　国内第一个针对微博数据的爬虫程序！原名“新浪微博爬虫”。

　　登录后，可以指定用户为起点，以该用户的关注人、粉丝为线索，延人脉关系搜集用户基本信息、微博数据、评论数据。

　　该应用获取的数据可作为科研、与新浪微博相关的研发等的数据支持，但请勿用于商业用途。该应用基于.NET2.0框架，需SQL SERVER作为后台数据库，并提供了针对SQL Server的数据库脚本文件。

　　另外，由于新浪微博API的限制，爬取的数据可能不够完整（如获取粉丝数量的限制、获取微博数量的限制等）

　　本程序版权归作者所有。你可以免费: 拷贝、分发、呈现和表演当前作品,制作派生作品。 你不可将当前作品用于商业目的。

　　5.x版本已经发布！ 该版本共有6个后台工作线程：爬取用户基本信息的机器人、爬取用户关系的机器人、爬取用户标签的机器人、爬取微博内容的机器人、爬取微博评论的机器人，以及调节请求频率的机器人。更高的性能！最大限度挖掘爬虫潜力！ 以现在测试的结果看，已经能够满足自用。

　　本程序的特点：

　　6个后台工作线程，最大限度挖掘爬虫性能潜力！

　　界面上提供参数设置，灵活方便

　　抛弃app.config配置文件，自己实现配置信息的加密存储，保护数据库帐号信息

　　自动调整请求频率，防止超限，也避免过慢，降低效率

　　任意对爬虫控制，可随时暂停、继续、停止爬虫

　　

" />

　　良好的用户体验

　　授权协议： GPLv3

　　开发语言： C# .NET

　　操作系统： Windows

　　25、spidernet

　　spidernet是一个以递归树为模型的多线程web爬虫程序, 支持text/html资源的获取. 可以设定爬行深度, 最大下载字节数限制, 支持gzip解码, 支持以gbk(gb2312)和utf8编码的资源; 存储于sqlite数据文件.

　　源码中TODO:标记描述了未完成功能, 希望提交你的代码.

　　github源代码：

　　特点：以递归树为模型的多线程web爬虫程序，支持以GBK (gb2312)和utf8编码的资源，使用sqlite存储数据

　　26、Web Crawler

　　mart and Simple Web Crawler是一个Web爬虫框架。集成Lucene支持。该爬虫可以从单个链接或一个链接数组开始，提供两种遍历模式：最大迭代和最大深度。可以设置 过滤器限制爬回来的链接，默认提供三个过滤器ServerFilter、BeginningPathFilter和 RegularExpressionFilter，这三个过滤器可用AND、OR和NOT联合。在解析过程或页面加载前后都可以加*敏*感*词*器。介绍内容来自Open-Open

　　特点：多线程，支持抓取PDF/DOC/EXCEL等文档来源

　　27、网络矿工

　　网站数据采集软件 网络矿工采集器（原soukey采摘）

　　Soukey采摘网站数据采集软件是一款基于.Net平台的开源软件，也是网站数据采集软件类型中唯一一款开源软件。尽管Soukey采摘开源，但并不会影响软件功能的提供，甚至要比一些商用软件的功能还要丰富。

　　特点：功能丰富，毫不逊色于商业软件

　　PHP爬虫28、OpenWebSpider

　　OpenWebSpider是一个开源多线程Web Spider（robot：机器人，crawler：爬虫)和收录

许多有趣功能的搜索引擎。

　　特点：开源多线程网络爬虫，有许多有趣的功能

　　29、PhpDig

　　PhpDig是一个采用PHP开发的Web爬虫和搜索引擎。通过对动态和静态页面进行索引建立一个词汇表。当搜索查询时，它将按一定的排序规则显示收录

关 键字的搜索结果页面。PhpDig收录

一个模板系统并能够索引PDF,Word,Excel,和PowerPoint文档。PHPdig适用于专业化更 强、层次更深的个性化搜索引擎，利用它打造针对某一领域的垂直搜索引擎是最好的选择。

　　演示：

　　特点：具有采集网页内容、提交表单功能

　　30、ThinkUp

　　ThinkUp 是一个可以采集推特，facebook等社交网络数据的社会媒体视角引擎。通过采集个人的社交网络账号中的数据，对其存档以及处理的交互分析工具，并将数据图形化以便更直观的查看。

　　github源码：

　　特点：采集推特、脸谱等社交网络数据的社会媒体视角引擎，可进行交互分析并将结果以可视化形式展现

　　31、微购

　　微购社会化购物系统是一款基于ThinkPHP框架开发的开源的购物分享系统，同时它也是一套针对站长、开源的的*敏*感*词*网站程序，它整合了淘宝、天猫、*敏*感*词*等300多家商品数据采集接口，为广大的*敏*感*词*站长提供傻瓜式淘客建站服务，会HTML就会做程序模板，免费开放下载，是广大淘客站长的首选。

　　演示网址：

　　授权协议： GPL

　　开发语言： PHP

　　操作系统： 跨平台

　　ErLang爬虫32、Ebot

　　Ebot 是一个用 ErLang 语言开发的可伸缩的分布式网页爬虫，URLs 被保存在数据库中可通过 RESTful 的 HTTP 请求来查询。

　　github源代码：

　　项目主页：

　　特点：可伸缩的分布式网页爬虫

　　Ruby爬虫33、Spidr

　　Spidr 是一个Ruby 的网页爬虫库，可以将整个网站、多个网站、某个链接完全抓取到本地。

　　特点：可将一个或多个网站、某个链接完全抓取到本地

　　本文由36大数据采集

整理