選擇Python寫網絡爬蟲的優(yōu)勢和理由

更新時間：2019年07月07日 08:25:01 作者：尚

在本篇文章里小編給各位整理了一篇關于選擇Python寫網絡爬蟲的優(yōu)勢和理由以及相關代碼實例，有興趣的朋友們閱讀下吧。

什么是網絡爬蟲？

網絡爬蟲是一個自動提取網頁的程序，它為搜索引擎從萬維網上下載網頁，是搜索引擎的重要組成。傳統(tǒng)爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統(tǒng)的一定停止條件

爬蟲有什么用？

做為通用搜索引擎網頁收集器。（google,baidu）
做垂直搜索引擎.
科學研究：在線人類行為，在線社群演化，人類動力學研究，計量社會學，復雜網絡，數(shù)據挖掘，等領域的實證研究都需要大量數(shù)據，網絡爬蟲是收集相關數(shù)據的利器。
偷窺，hacking，發(fā)垃圾郵件……

爬蟲是搜索引擎的第一步也是最容易的一步

• 網頁搜集

• 建立索引

• 查詢排序

用什么語言寫爬蟲？

C，C++。高效率，快速，適合通用搜索引擎做全網爬取。缺點，開發(fā)慢，寫起來又臭又長，例如：天網搜索源代碼。
腳本語言：Perl, Python, Java, Ruby。簡單，易學，良好的文本處理能方便網頁內容的細致提取，但效率往往不高，適合對少量網站的聚焦爬取

C#？（貌似信息管理的人比較喜歡的語言）

為什么最終選擇Python？

跨平臺，對Linux和windows都有不錯的支持。
科學計算，數(shù)值擬合：Numpy，Scipy
可視化：2d：Matplotlib(做圖很漂亮), 3d: Mayavi2
復雜網絡：Networkx
統(tǒng)計：與R語言接口：Rpy
交互式終端
網站的快速開發(fā)？

一個簡單的Python爬蟲

import urllib
import urllib.request

def loadPage(url,filename):
 """
 作用：根據url發(fā)送請求，獲取html數(shù)據;
 :param url:
 :return:
 """
 request=urllib.request.Request(url)
 html1= urllib.request.urlopen(request).read()
 return html1.decode('utf-8')

def writePage(html,filename):
 """
 作用將html寫入本地

 :param html: 服務器相應的文件內容
 :return:
 """
 with open(filename,'w') as f:
  f.write(html)
 print('-'*30)
def tiebaSpider(url,beginPage,endPage):
 """
 作用貼吧爬蟲調度器，負責處理每一個頁面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)+'頁.html'
  html= loadPage(url,filename)

  writePage(html,filename)



if __name__=="__main__":
 kw=input('請輸入你要需要爬取的貼吧名:')
 beginPage=int(input('請輸入起始頁'))
 endPage=int(input('請輸入結束頁'))
 url='https://tieba.baidu.com/f?'
 kw1={'kw':kw}
 key = urllib.parse.urlencode(kw1)
 fullurl=url+key
 tiebaSpider(fullurl,beginPage,endPage)

以上就是關于為什么Python寫網絡爬蟲的全部理由和知識點，感謝大家的閱讀和對腳本之家的支持。

您可能感興趣的文章: