为什么python适合写爬虫
为什么python适合写爬虫？
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）
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
一个简单的Python爬虫
import urllib
import
urllib.request
小编准备的python爬虫学习资料，加群：821460695 即可免费获取！
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)
1.抓取网页本身的接口
相比与其他静态编程语言，如java，c#，C++，python抓取网页文档的接口更简洁；
相比其他动态脚本语言，如perl，shell，python的urllib2包提供了较为完整的访问网页文档的API。
此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize
2）网页抓取后的处理
抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap等提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。
百度搜索圈T社区（www.aiquanti.com），免费视频教程 加油