选择Python写网络爬虫的优势和理由

Python  /  管理员 发布于 8年前   183

什么是网络爬虫？

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件

爬虫有什么用？

• 做为通用搜索引擎网页收集器。（google,baidu）
• 做垂直搜索引擎.
• 科学研究：在线人类行为，在线社群演化，人类动力学研究，计量社会学，复杂网络，数据挖掘，等领域的实证研究都需要大量数据，网络爬虫是收集相关数据的利器。
• 偷窥，hacking，发垃圾邮件……
  

爬虫是搜索引擎的第一步也是最容易的一步

• 网页搜集

• 建立索引

• 查询排序

用什么语言写爬虫？

C，C++。高效率，快速，适合通用搜索引擎做全网爬取。缺点，开发慢，写起来又臭又长，例如：天网搜索源代码。
脚本语言：Perl, Python, Java, Ruby。简单，易学，良好的文本处理能方便网页内容的细致提取，但效率往往不高，适合对少量网站的聚焦爬取

C#？（貌似信息管理的人比较喜欢的语言）

为什么最终选择Python？

• 跨平台，对Linux和windows都有不错的支持。
• 科学计算，数值拟合：Numpy，Scipy
• 可视化：2d：Matplotlib(做图很漂亮), 3d: Mayavi2
• 复杂网络：Networkx
• 统计：与R语言接口：Rpy
• 交互式终端
• 网站的快速开发？

一个简单的Python爬虫

import urllibimport urllib.requestdef loadPage(url,filename): """ 作用：根据url发送请求，获取html数据; :param url: :return: """ request=urllib.request.Request(url) html1= urllib.request.urlopen(request).read() return html1.decode('utf-8')def writePage(html,filename): """ 作用将html写入本地 :param html: 服务器相应的文件内容 :return: """ with open(filename,'w') as f:  f.write(html) print('-'*30)def tiebaSpider(url,beginPage,endPage): """ 作用贴吧爬虫调度器，负责处理每一个页面url; :param url: :param beginPage: :param endPage: :return: """ for page in range(beginPage,endPage+1):  pn=(page - 1)*50  fullurl=url+"&pn="+str(pn)  print(fullurl)  filename='第'+str(page)+'页.html'  html= loadPage(url,filename)  writePage(html,filename)if __name__=="__main__": kw=input('请输入你要需要爬取的贴吧名:') beginPage=int(input('请输入起始页')) endPage=int(input('请输入结束页')) url='https://tieba.baidu.com/f?' kw1={'kw':kw} key = urllib.parse.urlencode(kw1) fullurl=url+key tiebaSpider(fullurl,beginPage,endPage)

以上就是关于为什么Python写网络爬虫的全部理由和知识点，感谢大家的阅读和的支持。