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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
|
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，感谢大家的阅读和对服务器之家的支持。
