懂AI
awesome-web-scraper

awesome-web-scraper

多语言网页抓取与爬虫工具资源汇总

awesome-web-scraper项目汇集了多种编程语言的网页抓取和爬虫工具，涵盖Java、C/C++、C#、Erlang、Python、PHP、Node.js、Ruby、Go和Rust等语言。该项目提供每个工具的简要说明和GitHub链接，便于开发者快速选择适合的解决方案。这些工具可用于网页数据抓取、内容提取和网站爬取，适用于搜索引擎构建、数据分析和自动化测试等场景。作为一个精选资源列表，awesome-web-scraper为开发者提供了宝贵的参考。

Web Scraper网络爬虫数据抓取开源工具编程语言Github开源项目
访问官网GitHub

超赞网络爬虫 Awesome

优秀网络爬虫和爬虫工具的集合。

Java

  • Apache Nutch - 高度可扩展、高度可伸缩的网络爬虫。可插拔的解析、协议、存储和索引。
  • websphinx - 专门用于HTML信息提取的网站处理器。
  • Open Search Server - 提供全套搜索功能。构建自己的索引策略。解析器提取全文数据。爬虫可以索引一切。
  • crawler4j - Java开源网络爬虫，提供简单的接口用于爬取网页。使用它，你可以在几分钟内设置一个多线程网络爬虫。

C/C++

  • HTTrack - 高度可扩展、高度可伸缩的网络爬虫。可插拔的解析、协议、存储和索引。

C#

  • ccrawler - 基于C# 3.5版本构建。包含一个简单的网页内容分类器扩展，可以根据内容区分网页。

Erlang

  • ebot - 基于nosql数据库(apache couchdb, riak)、AMQP数据库(rabbitmq)、webmachine和mochiweb构建的开源网络爬虫。

Python

  • scrapy - Scrapy，一个快速的高层次网络爬虫和刮取框架。
  • gdom - gdom，使用GraphQL进行DOM遍历和刮取。
  • trafilatura - 用于提取元数据、主要文本和评论的库和命令行工具。
  • extractnet - 基于机器学习的Python内容和元数据提取框架
  • Scrapegraph-ai - 一个使用AI进行网页抓取的开源库

PHP

  • Goutte - Goutte，一个简单的PHP网络爬虫。
  • DiDOM - 简单快速的HTML解析器。
  • simple_html_dom - 简单HTML DOM库的分支。
  • PHPCrawl - PHPCrawl是一个用PHP编写的网站爬行/爬虫框架。
  • Crawler - 用于快速网络爬虫和刮取开发的库。

Nodejs

  • puppeteer - Headless Chrome Node API https://pptr.dev。
  • Phantomjs - 可编程的Headless WebKit。
  • node-crawler - NodeJS + 服务器端jQuery的网络爬虫/蜘蛛。
  • node-simplecrawler - 灵活的事件驱动型node爬虫。
  • spider - 使用node.js和jQuery对网站进行可编程爬取。
  • slimerjs - 运行Gecko的类似PhantomJS的工具。
  • casperjs - PhantomJS和SlimerJS的导航脚本编写和测试工具。
  • zombie - 使用node.js的超快、全栈、无头浏览器测试。
  • nightmare - Nightmare是PhantomJS的高级封装，让你可以自动化浏览器任务
  • jsdom - WHATWG DOM和HTML标准的JavaScript实现，用于node.js
  • xray - 下一代网络爬虫。透过<html>噪音看本质。
  • lightcrawler - 爬取网站并通过Google lighthouse运行。

Ruby

  • wombat - 轻量级Ruby网络爬虫/刮取工具，具有优雅的DSL，可从页面提取结构化数据。

Go

  • gocrawl - 礼貌、精简且并发的网络爬虫。
  • fetchbot - 一个简单灵活的网络爬虫，遵循robots.txt策略和爬取延迟。

Rust

  • scraper - 使用CSS选择器进行HTML解析和查询。
  • reqwest - Rust的人体工程学、功能齐全的HTTP客户端。

许可证

MIT

贡献

在提交建议之前，请阅读贡献指南。

欢迎提出问题或创建拉取请求来添加你的内容。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多