爬虫为什么要用python

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爬虫代码：

import urllib

import urllib.request

def 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)