使用Proxy Crawl API，你可以抓取Web上的任何网站/平台。有代理支持，绕过验证码，以及基于动态内容抓取JavaScript页面的优势。

ProxyCrawl

它可以免费获得1000个请求，这足以探索Proxy Crawl在复杂的内容页面中所采用的强大功能。

Scrapy是一个开源项目，为抓取网页提供支持。Scrapy抓取框架在从网站和网页中提取数据方面做得非常出色。

Scrapy

最重要的是，Scrapy可用于挖掘数据，监控数据模式以及为大型任务执行自动化测试。强大的功能可与ProxyCrawl***集成。使用Scrapy，由于内置工具，选择内容源(HTML和XML)是一件轻而易举的事。也可以使用Scrapy API扩展所提供的功能。

Grab是一个基于Python的框架，用于创建自定义Web Scraping规则集。使用Grab，可以为小型个人项目创建抓取机制，还可以构建可以同时扩展到数百万个页面的大型动态抓取任务。

Grab

内置API提供了执行网络请求的方法，也可以处理已删除的内容。Grab提供的另一个API称为Spider。使用Spider API，可以使用自定义类创建异步搜寻器。

Ferret是一个相当新的网页抓取，在开源社区中获得了相当大的吸引力。Ferret的目标是提供更简洁的客户端抓取解决方案。例如，允许开发人员编写不必依赖于应用程序状态的抓取程序。

此外，Ferret使用自定义的Declarative语言，避免了用于构建系统的复杂性。相反，也可以编写严格的规则来从任何站点抓取数据。

由于X-Ray，Osmosis等库的可用性，使用Node.js抓取网页非常简单。

Diffbot是市场上的新玩家。你甚至不必编写太多代码，因为Diffbot的AI算法可以从网站页面解密结构化数据，而无需手动规范。

Diffbot

PhantomJS Cloud是PhantomJS浏览器的SaaS替代品。使用PhantomJS Cloud，可以直接从网页内部获取数据，还可以生成可视文件，并在PDF文档中呈现页面。

PhantomJS本身就是一个浏览器，这意味着你可以像浏览器一样加载和执行页面资源。如果你手头的任务需要抓取许多基于JavaScript的网站，这将特别有用。

原文来自：

本文地址：//lrxjmw.cn/seven-excellent-web.html编辑：向云艳，审核员：张文祥

Linux大全：

Linux系统大全：

红帽认证RHCE考试心得：