选择Python写网络爬虫的优势和理由


Posted in Python onJuly 07, 2019

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

选择Python写网络爬虫的优势和理由

• 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

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)

以上就是关于为什么Python写网络爬虫的全部理由和知识点,感谢大家的阅读和对三水点靠木的支持。

Python 相关文章推荐
Python解析xml中dom元素的方法
Mar 12 Python
python使用BeautifulSoup分页网页中超链接的方法
Apr 04 Python
Python实现进程同步和通信的方法
Jan 02 Python
利用TensorFlow训练简单的二分类神经网络模型的方法
Mar 05 Python
python批量读取txt文件为DataFrame的方法
Apr 03 Python
Python爬虫框架scrapy实现的文件下载功能示例
Aug 04 Python
浅谈PyTorch中in-place operation的含义
Jun 27 Python
python 如何快速复制序列
Sep 07 Python
python装饰器实现对异常代码出现进行自动监控的实现方法
Sep 15 Python
python爬虫之利用selenium模块自动登录CSDN
Apr 22 Python
Python数据分析入门之教你怎么搭建环境
May 13 Python
Python实现老照片修复之上色小技巧
Oct 16 Python
python和c语言的主要区别总结
Jul 07 #Python
详解将Pandas中的DataFrame类型转换成Numpy中array类型的三种方法
Jul 06 #Python
pandas进行时间数据的转换和计算时间差并提取年月日
Jul 06 #Python
python中时间、日期、时间戳的转换的实现方法
Jul 06 #Python
pandas 时间格式转换的实现
Jul 06 #Python
pandas中的series数据类型详解
Jul 06 #Python
pandas.DataFrame的pivot()和unstack()实现行转列
Jul 06 #Python
You might like
PHP 内存缓存加速功能memcached安装与用法
2009/09/03 PHP
使用ThinkPHP自带的Http类下载远程图片到本地的实现代码
2011/08/02 PHP
php中opendir函数用法实例
2014/11/15 PHP
php实现汉字验证码和算式验证码的方法
2015/03/07 PHP
thinkphp ajaxfileupload实现异步上传图片的示例
2017/08/28 PHP
js函数般调用正则
2008/04/08 Javascript
通过JS 获取Mouse Position(鼠标坐标)的代码
2009/09/21 Javascript
javascript 自动填写表单的实现方法
2010/04/09 Javascript
基于jquery实现的上传图片及图片大小验证、图片预览效果代码
2011/04/12 Javascript
JS基于myFocus库实现各种功能的tab选项卡切换效果
2015/09/19 Javascript
Jquery技巧(必须掌握)
2016/03/16 Javascript
基于JS如何实现类似QQ好友头像hover时显示资料卡的效果(推荐)
2016/06/09 Javascript
微信小程序  生命周期详解
2016/10/27 Javascript
原生JS实现图片翻书效果
2017/02/16 Javascript
JS运动改变单物体透明度的方法分析
2018/01/23 Javascript
vue-cli 3.x 配置Axios(proxyTable)跨域代理方法
2018/09/19 Javascript
在Vue项目中使用jsencrypt.js对数据进行加密传输的方法
2019/04/17 Javascript
解读python如何实现决策树算法
2018/10/11 Python
Python获取航线信息并且制作成图的讲解
2019/01/03 Python
python基础 range的用法解析
2019/08/23 Python
tesserocr与pytesseract模块的使用方法解析
2019/08/30 Python
python爬取王者荣耀全皮肤的简单实现代码
2020/01/31 Python
pycharm实现print输出保存到txt文件
2020/06/01 Python
python实现邮件循环自动发件功能
2020/09/11 Python
使用canvas实现黑客帝国数字雨效果
2020/01/02 HTML / CSS
澳大利亚婴儿、幼儿和儿童在线设计师商店:Smooch Baby
2019/02/16 全球购物
美国办公用品折扣网站:Shoplet.com
2019/11/24 全球购物
如何将字串String转换成整数int
2015/02/21 面试题
安全检查管理制度
2014/02/02 职场文书
新文化运动的口号
2014/06/21 职场文书
2015员工年度考核评语
2015/03/25 职场文书
装修公司管理制度
2015/08/05 职场文书
委托开发合同书(标准版)
2019/08/07 职场文书
Python趣味挑战之教你用pygame画进度条
2021/05/31 Python
js前端设计模式优化50%表单校验代码示例
2022/06/21 Javascript