爬虫为什么要用python

原创 新起点博客  2020-07-10 10:46 
【上云必备】上云仅?102/年

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)

 

 

本文地址:https://www.henenseo.com/archives/2894
关注我们:请关注一下我们的微信公众号:扫描二维码新起点博客的公众号,公众号:xinqidian129
版权声明:本文为原创文章,版权归 新起点博客 所有,欢迎分享本文,转载请保留出处!
宝塔服务器面板,一键全能部署及管理,送你3188元礼包,点我领取
【腾讯云】海外1核2G服务器低至2折,半价续费券限量免费领取!

发表评论


表情