网络爬虫(又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
今天将为大家介绍19款Java开源Web爬虫，需要的小伙伴们赶快收藏吧。
一、Heritrix
Heritrix 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。
Heritrix 是个“Archival Crawler”——来获取完整的、精确的、站点内容的深度复制。包括获取图像以及其他非文本内容。抓取并存储相关的内容。对内容来者不拒，不对页面进行内容上的修改。重新爬行对相同的URL不针对先前的进行替换。爬虫主要通过Web用户界面启动、监控和调整，允许弹性的定义要获取的url。
Heritrix是按多线程方式抓取的爬虫，主线程把任务分配给Teo线程(处理线程)，每个Teo线程每次处理一个URL。Teo线程对每个URL执行一遍URL处理器链。URL处理器链包括如下5个处理步骤。
(1)预取链：主要是做一些准备工作，例如，对处理进行延迟和重新处理，否决随后的操作。
(2)提取链：主要是下载网页，进行DNS转换，填写请求和响应表单。
(3)抽取链：当提取完成时，抽取感兴趣的HTML和JavaScript，通常那里有新的要抓取的URL。
(4)写链：存储抓取结果，可以在这一步直接做全文索引。Heritrix提供了用ARC格式保存下载结果的ARCWriterProcessor实现。
(5)提交链：做和此URL相关操作的最后处理。检查哪些新提取出的URL在抓取范围内，然后把这些URL提交给Frontier。另外还会更新DNS缓存信息。
Heritrix系统框架图
heritrix处理一个url的流程
二、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。
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。
WebSPHINX – 用途
1.可视化显示页面的集合
2.下载页面到本地磁盘用于离线浏览
3.将所有页面拼接成单个页面用于浏览或者打印
4.按照特定的规则从页面中抽取文本字符串
5.用Java或Javascript开发自定义的爬虫
详细介绍可见>>>
三、WebLech
WebLech是一个功能强大的Web站点下载与镜像工具。它支持按功能需求来下载web站点并能够尽可能模仿标准Web浏览器的行为。WebLech有一个功能控制台并采用多线程操作。
WebLech是一个功能强大的Web站点下载与镜像免费开源工具。它支持按功能需求来下载web站点并能够尽可能模仿标准Web浏览器的行为。WebLech有一个功能控制台并采用多线程操作。
这款爬虫足够简单，如果初学如果编写爬虫，可做入门参考。所以我选择了用这个爬虫开始我的研究。如果只是做要求不高的应用，也可试试。如果想找一款功能强大，就别在WebLech上浪费时间了。
该项目主页: http://weblech.sourceforge.net/
特点：
1)开源，免费
2)代码是用纯Java写的，可以在任何支持Java的平台上也行
3)支持多线程下载网页
4)可维持网页间的链接信息
5)可配置性强： 深度优先或宽度优先爬行网页 可定制URL过滤器，这样就可以按需要爬行单个web服务器，单个目录或爬行整 个WWW网络 可设置URL的优先级，这样就可以优先爬行我们感兴趣或重要的网页 可记录断点时程序的状态，一边重新启动时可接着上次继续爬行。