在本篇文章裏小編給各位整理了一篇關於選擇Python寫網絡爬蟲的優勢和理由以及相關代碼實例,有興趣的朋友們閱讀下吧。
什麼是網絡爬蟲?
網絡爬蟲是一個自動提取網頁的程序,它爲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,直到滿足系統的一定停止條件
爬蟲有什麼用?
做爲通用搜索引擎網頁收集器。(google,baidu)
做垂直搜索引擎.
科學研究:在線人類行爲,在線社羣演化,人類動力學研究,計量社會學,複雜網絡,數據挖掘,等領域的實證研究都需要大量數據,網絡爬蟲是收集相關數據的利器。
偷窺,hacking,發垃圾郵件……
爬蟲是搜索引擎的第一步也是最容易的一步
網頁蒐集
• 建立索引
• 查詢排序
用什麼語言寫爬蟲?
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緻提取,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)
爲什麼最終選擇Python?
跨平臺,對Linux和windows都有不錯的支持。
科學計算,數值擬合:Numpy,Scipy
可視化:2d:Matplotlib(做圖很漂亮), 3d: Mayavi2
複雜網絡:Networkx
統計:與R語言接口:Rpy
交互式終端
網站的快速開發?
一個簡單的Python爬蟲
import urllib
import urllib.request
def loadPage(url,filename):
"""
作用:根據url發送請求,獲取html數據;
: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)
寫到這裏,給大家推薦一個資源很全的python學習聚集地,點擊進入,這裏有資深程序員分享以前學習心得,學習筆記,還有一線企業的工作經驗,且給大家精心整理一份python零基礎到項目實戰的資料,每天給大家講解python最新的技術,前景,學習需要留言的小細節