什麼是網路爬蟲？
網路爬蟲是一個自動提取網頁的程序，它為搜尋引擎從萬維網上下載網頁，是搜尋引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件
爬蟲有什麼用？
做為通用搜尋引擎網頁收集器。 （google,baidu）做垂直搜尋引擎.科學研究：線上人類行為，線上社群演化，人類動力學研究，計量社會學，複雜網絡，資料探勘，等領域的實證研究都需要大量數據，網路爬蟲是收集相關數據的利器。偷窺，hacking，發垃圾郵件…
爬蟲是搜尋引擎的第一步也是最容易的一步
網頁蒐集
建立索引
查詢排序
用什麼語言寫爬蟲？
C，C 。高效率，快速，適合通用搜尋引擎做全網爬取。缺點，開發慢，寫起來又臭又長，例如：天網搜尋原始碼。
腳本語言：Perl, Python, Java, Ruby。簡單，易學，良好的文字處理能方便網頁內容的細緻提取，但效率往往不高，適合對少量網站的聚焦爬取
C#？ （貌似資訊管理的人比較喜歡的語言）
為什麼最後選擇Python？
跨平台，對Linux和windows都有不錯的支援。
科學計算，數值擬合：Numpy，Scipy
視覺化：2d：Matplotlib(做圖很漂亮), 3d: Mayavi2
複雜網路：Networkx
統計：與R語言介面：Rpy
互動式終端機
網站的快速開發
一個簡單的Python爬蟲
1 import urllib
2 import urllib.request
3
4 def loadPage(url,filename):
5 """
6 作用：根据url发送请求，获取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写入本地
17
18 :param html: 服务器相应的文件内容
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 作用贴吧爬虫调度器，负责处理每一个页面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('请输入你要需要爬取的贴吧名:')
45 beginPage=int(input('请输入起始页'))
46 endPage=int(input('请输入结束页'))
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)以上是為什麼選擇python做爬蟲的詳細內容。更多資訊請關注PHP中文網其他相關文章！
