什么是网络爬虫?
网络爬虫是一个自动提取网页的顺序,它为搜刮引擎从万维网上下载网页,是搜刮引擎的主要构成。传统爬虫从一个或多少初始网页的URL最先,取得初始网页上的URL,在抓取网页的过程当中,不停从当前页面上抽取新的URL放入行列,直到满足体系的肯定住手前提
爬虫有什么用?
做为通用搜刮引擎网页网络器。(google,baidu)做垂直搜刮引擎.科学研讨:在线人类行动,在线社群演变,人类动力学研讨,计量社会学,庞杂网络,数据发掘,等范畴的实证研讨都须要大批数据,网络爬虫是网络相干数据的利器。窃视,hacking,发垃圾邮件……
爬虫是搜刮引擎的第一步也是最轻易的一步
网页汇集
竖立索引
查询排序
用什么言语写爬虫?
C,C++。高效力,疾速,合适通用搜刮引擎做全网爬取。瑕玷,开辟慢,写起来又臭又长,比方:天网搜刮源代码。
脚本言语:Perl, Python, Java, Ruby。简朴,易学,优越的文本处理能轻易网页内容的仔细提取,但效力每每不高,合适对少许网站的聚焦爬取
C#?(貌似信息管理的人比较喜好的言语)
为何终究挑选Python?
跨平台,对Linux和windows都有不错的支撑。
科学盘算,数值拟合:Numpy,Scipy
可视化:2d:Matplotlib(做图很漂亮), 3d: Mayavi2
庞杂网络:Networkx
统计:与R言语接口:Rpy
交互式终端
网站的疾速开辟
一个简朴的Python爬虫
1 import urllib 2 import urllib.request 3 4 def loadPage(url,filename): 5 """ 6 作用:依据url发送要求,猎取html数据; 7 :param url: 8 :return: 9 """ 10 request=urllib.request.Request(url) 11 html1= urllib.request.urlopen(request).read() 12 return html1.decode('utf-8') 13 14 def writePage(html,filename): 15 """ 16 作用将html写入当地 17 18 :param html: 服务器响应的文件内容 19 :return: 20 """ 21 with open(filename,'w') as f: 22 f.write(html) 23 print('-'*30) 24 def tiebaSpider(url,beginPage,endPage): 25 """ 26 作用贴吧爬虫调理器,负责处理每个页面url; 27 :param url: 28 :param beginPage: 29 :param endPage: 30 :return: 31 """ 32 for page in range(beginPage,endPage+1): 33 pn=(page - 1)*50 34 fullurl=url+"&pn="+str(pn) 35 print(fullurl) 36 filename='第'+str(page)+'页.html' 37 html= loadPage(url,filename) 38 39 writePage(html,filename) 40 41 42 43 if __name__=="__main__": 44 kw=input('请输入你要须要爬取的贴吧名:') 45 beginPage=int(input('请输入起始页')) 46 endPage=int(input('请输入完毕页')) 47 url='https://tieba.baidu.com/f?' 48 kw1={'kw':kw} 49 key = urllib.parse.urlencode(kw1) 50 fullurl=url+key 51 tiebaSpider(fullurl,beginPage,endPage)
以上就是为何挑选python做爬虫的细致内容,更多请关注ki4网别的相干文章!