什么是網(wǎng)絡(luò)爬蟲(chóng)？

網(wǎng)絡(luò)爬蟲(chóng)是一個(gè)自動(dòng)提取網(wǎng)頁(yè)的程序，它為搜索引擎從萬(wàn)維網(wǎng)上下載網(wǎng)頁(yè)，是搜索引擎的重要組成。傳統(tǒng)爬蟲(chóng)從一個(gè)或若干初始網(wǎng)頁(yè)的URL開(kāi)始，獲得初始網(wǎng)頁(yè)上的URL，在抓取網(wǎng)頁(yè)的過(guò)程中，不斷從當(dāng)前頁(yè)面上抽取新的URL放入隊(duì)列,直到滿足系統(tǒng)的一定停止條件

爬蟲(chóng)有什么用？

• 做為通用搜索引擎網(wǎng)頁(yè)收集器。（google,baidu）
• 做垂直搜索引擎.
• 科學(xué)研究：在線人類行為，在線社群演化，人類動(dòng)力學(xué)研究，計(jì)量社會(huì)學(xué)，復(fù)雜網(wǎng)絡(luò)，數(shù)據(jù)挖掘，等領(lǐng)域的實(shí)證研究都需要大量數(shù)據(jù)，網(wǎng)絡(luò)爬蟲(chóng)是收集相關(guān)數(shù)據(jù)的利器。
• 偷窺，hacking，發(fā)垃圾郵件……
  

爬蟲(chóng)是搜索引擎的第一步也是最容易的一步

• 網(wǎng)頁(yè)搜集

• 建立索引

• 查詢排序

用什么語(yǔ)言寫(xiě)爬蟲(chóng)？

C，C++。高效率，快速，適合通用搜索引擎做全網(wǎng)爬取。缺點(diǎn)，開(kāi)發(fā)慢，寫(xiě)起來(lái)又臭又長(zhǎng)，例如：天網(wǎng)搜索源代碼。
腳本語(yǔ)言：Perl, Python, Java, Ruby。簡(jiǎn)單，易學(xué)，良好的文本處理能方便網(wǎng)頁(yè)內(nèi)容的細(xì)致提取，但效率往往不高，適合對(duì)少量網(wǎng)站的聚焦爬取

C#？（貌似信息管理的人比較喜歡的語(yǔ)言）

為什么最終選擇Python？

• 跨平臺(tái)，對(duì)Linux和windows都有不錯(cuò)的支持。
• 科學(xué)計(jì)算，數(shù)值擬合：Numpy，Scipy
• 可視化：2d：Matplotlib(做圖很漂亮), 3d: Mayavi2
• 復(fù)雜網(wǎng)絡(luò)：Networkx
• 統(tǒng)計(jì)：與R語(yǔ)言接口：Rpy
• 交互式終端
• 網(wǎng)站的快速開(kāi)發(fā)？

一個(gè)簡(jiǎn)單的Python爬蟲(chóng)

import urllib
import urllib.request

def loadPage(url,filename):
 """
 作用：根據(jù)url發(fā)送請(qǐng)求，獲取html數(shù)據(jù);
 :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(xiě)入本地

 :param html: 服務(wù)器相應(yīng)的文件內(nèi)容
 :return:
 """
 with open(filename,'w') as f:
  f.write(html)
 print('-'*30)
def tiebaSpider(url,beginPage,endPage):
 """
 作用貼吧爬蟲(chóng)調(diào)度器，負(fù)責(zé)處理每一個(gè)頁(yè)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(yè).html'
  html= loadPage(url,filename)

  writePage(html,filename)



if __name__=="__main__":
 kw=input('請(qǐng)輸入你要需要爬取的貼吧名:')
 beginPage=int(input('請(qǐng)輸入起始頁(yè)'))
 endPage=int(input('請(qǐng)輸入結(jié)束頁(yè)'))
 url='https://tieba.baidu.com/f?'
 kw1={'kw':kw}
 key = urllib.parse.urlencode(kw1)
 fullurl=url+key
 tiebaSpider(fullurl,beginPage,endPage)

以上就是關(guān)于為什么Python寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)的全部理由和知識(shí)點(diǎn)，感謝大家的閱讀和對(duì)腳本之家的支持。

最新評(píng)論