Question

要爬网页，选哪个爬虫好？Nutch？Heritrix

若以下回答无法解决问题，邀请你更新回答

Answer 1

1、Nutch依靠hadoop运行，hadoop本身就会花费大量的时间。

若集群机数量较少，爬行速度反而不如单机爬虫快。

2、Nutch是为搜索引擎设计的爬虫，不精确。

大多数用户需要一个爬虫来爬取准确的数据(提取精确)。在Nutch运行的一整套过程中，三分之二是为搜索引擎设计的，对精选没有多大意义。也就是说芦郑，用Nutch做数据抽取，会浪费很多的时间在不必要的计算上。并且，通过二次开发Nutch，使其适用于精选业务，基本上破坏Nutch的框架，使Nutch的脸完全不同，具有修正Nutch的能力，与其自己重写分布式爬虫框架相比。

3、Nutch可以提供提取功能。

但开发Nutch插件的人都知道Nutch插件系统有多陪春颂糟糕。使用反射机制装入森档和调用插件，使程序的编写和调试变得非常困难，更别提在上面开发一套复杂的精提取系统了。

4、用Nutch爬虫的编写和调试所需的时间长

通常是单机爬虫的十倍以上。学习Nutch源代码的成本很高，在调试过程中会出现各种问题，除了程序本身。

因此，如果你不想做搜索引擎，尽量不要选择Nutch作为爬虫。