开源搜索引擎的比较
1．N utch
简介：
Nutch是一个用java实现的基于Lucene的开源搜索引擎框架，主要包括爬虫和查询两部分组成。
Nutch所使用的数据文件主要有以下三种：1）是webDb，保存网页链接结构信息，只在爬虫工作中使用。
2）是segment，存储网页内容及其索引，以产生的时间来命名。
segment文件内容包括CrawlDatum、Content、ParseData、ParseText四个部分，其中CrawlDatum保存抓取的基本信息，content 保存html脚本，ParseData和ParseText这两个部分是对原内容的解析结果。
3）是index，即索引文件，它把各个segment的信息进行了整合。
爬虫的搜索策略是采用广度优先方式抓取网页，且只获取并保存可索引的内容。
Nutch0.7需要java1.4以上的版本，nutch1.0需要java1.6。
特点：
1、遵循robots.txt，当爬虫访问一个站点时，会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。
2、采用基于Hadoop的分布式处理模型，支持分布式的实现。
3、Nutch可以修剪内容，或者对内容格式进行转换。
4、Nutch使用插件机制，可以很好的被用户定制和集成。
5、Nutch采用了多线程技术。
6、将爬取和建索引整合在了一起，爬取内容的存储方式是其自己定义的
segment，不便于对爬取的内容进行再次处理，需要进行一定的修改。
7、因为加入了对页面分析，建索引等功能其效率与heritrix相比要相对较低。
2．H eritrix
简介：
Heritrix是一个用Java实现的基于整个web的可扩展的开源爬虫框架。
Heritrix主要由三大部件：范围部件，边界部件，处理器链组成。
范围部件主要按照规则决定将哪个URI入队；边界部件跟踪哪个预定的URI将被收集，和已经被收集的URI，选择下一个 URI，剔除已经处理过的URI；处理器链包含若干处理器获取URI，分析结果，将它们传回给边界部件。
采用广度优先算法进行爬取。
heritrix用来获取完整的、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。
特点：
1、各个部件都具有较高的可扩展的，通过对各个部件的修改可以实现自己的抓
取逻辑。
2、可以进行多种的配置，包括可设置输出日志，归档文件和临时文件的位置；
可设置下载的最大字节，最大数量的下载文档，和最大的下载时间；可设置工作线程数量；可设置所利用的带宽的上界；可在设置之后一定时间重新选择；包含一些可设置的过滤机制，表达方式，URI路径深度选择等等。
3、采用多线程技术。
4、保存的内容是原始的内容，采用镜像方式存储，即按照斜杠所划分出的层次
结构进行存储，同时也会爬取图片等信息。
5、同样也遵守robots.txt规范。
6、在硬件和系统失败时，恢复能力很差。
3．W ebSPHINX
简介：
WebSPHINX是一个Java类包和Web爬虫的交互式开发环境。
WebSPHINX由两部分组成：爬虫工作平台和WebSPHINX类包。
爬虫工作台提供接口实现对爬虫的配置；类包则提供对爬虫进行扩展需要的一些支持。
其工作原理为从一个基点网站出发，遍历其中的所有有用信息，同时抽去其中的链接信息放入队列，以待有空闲蠕虫（worm）时，从队列中读取，发出request 请求，继续进行信息抽取和链接入队列的工作。
特点：
1、保存网页的原始内容。
2、采用多线程技术。
3、采用广度优先遍历算法进行爬取。
4、支持HTML解析，URL过滤，页面配置，模式匹配等等。
5、适用于爬取小规模的网页，例如爬取单一的个人站点。
4．W eblech
简介：
WebLech是一个用Java实现的功能强大的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。
特点：
1、支持多线程技术。
2、可维持网页的链接信息，可配置性较强，配置较为灵活，可设置需获取的网页文件的类型、起始地址、抓取策略等14 项内容。
3、采用广度优先遍历算法爬取网页。
4、保存网页的原始内容。
5．J spider
简介：
JSpider是一个完全用Java实现的可配置和定制的Web Spider引擎.你可以利用它来检查网站的错误(内在的服务器错误等),网站内外部链接检查，分析网站的结构(可创建一个网站地图),下载整个Web站点，你还可以写一个JSpider插件来扩展你所需要的功能。
Jspider主要由规则、插件和事件过滤器三部分组成，规则决定获取和处理什么资源；插件可以根据配置叠加和替换功能模块；事件过滤器选择处理什么事件或则独立的插件。
特点：
1、扩展性较强，容易实现对爬虫功能的扩展。
2、目前只支持下载HTML，不支持下载动态网页。
3、保存原始网页内容。
6．S pindle
简介：
spindle是一个构建在Lucene工具包之上的Web索引和搜索工具.它包括一个用于创建索引的HTTPspider和一个用于搜索这些索引的搜索类。
spindle项目提供了一组JSP标签库使得那些基于JSP的站点不需要开发任何Java类就能够增加搜索功能。
该项目长期没有更新且功能不完善。
7．J obo
简介：
JoBo是一个用于下载整个Web站点的简单工具。
它本质是一个WebSpider。
与其它下载工具相比较它的主要优势是能够自动填充form(如：自动登录)和使用cookies来处理session。
JoBo还有灵活的下载规则(如：通过网页的URL，大小，MIME类型等)来限制下载。
8．S noics-reptile
简介：
snoics-reptile是用纯Java开发的，用来进行网站镜像抓取的工具，可以使用配制文件中提供的URL入口，把这个网站所有的能用浏览器通过GET的方式获取到的资源全部抓取到本地，包括网页和各种类型的文件，如：图片、flash、mp3、zip、rar、exe等文件。
可以将整个网站完整地下传至硬盘内，并能保持原有的网站结构精确不变。
只需要把抓取下来的网站放到web服务器(如：Apache)中，就可以实现完整的网站镜像。
9．A rachnid
简介：
Arachnid是一个基于Java的webspider框架.它包含一个简单的HTML剖析器能够分析包含HTML内容的输入流.通过实现Arachnid的子类就能够开发一个简单的Webspiders并能够在Web站上的每个页面被解析之后增加几行代码调用。
