爲何寫爬蟲，咱們要選擇Python

記得有次發現有些網頁抓不下來，開始很久都找不着頭腦，廢了九牛二虎之力，終於發現是http請求處理的問題。深刻代碼纔看到，http協議的這部分代碼都是寫這我的本身實現的，只是實現了最基本的協議，也就是，創建socket鏈接，發送請求，而後經過socket接收數據，解析響應頭（response headers）。然而這個響應頭連http重定向都沒有處理，凡是重定向的響應就都失敗了，天然那些網頁就抓不下來了。

爲了抓到那些響應，咱們就不得不繼續完善http協議的解析功能，貢獻了不少代碼。。

爲何要本身實現基本的http協議呢？難道就沒有好的第三方庫能夠用嗎？如今想來，那個爬蟲也就是看上去能用，聽上去高大上，實際上問題不少。

那個網絡爬蟲程序維護了一兩年最終放棄了，後來的爬蟲技術都開始用Python來實現了。

如今若是讓我實現一個網絡爬蟲，二話不說，確定是要用Python。究其緣由，可能有已經幾點經驗和教訓跟你們分享一下。

1. 變幻莫測的網絡爬蟲

寫過爬蟲，可能都有這麼一個感受，就是昨天跑的好好的爬蟲，今天可能就出問題，不work了。這裏面的緣由可能就是，網頁的改版，網站的封鎖等等。遇到這種狀況，咱們就必須在最快的時間內調試找出問題所在，並以最快的速度修復，使其儘快上線跑起來。

2. 隨機應變的Python

鑑於上述爬蟲複雜的變化，寫網絡爬蟲就必須依賴一個快速開發、靈活的語言，同時又有完整豐富的庫支撐。而同時具有這些優勢的語言，無疑就是Python了。因此，Python自然就是爲爬蟲而生，爬蟲自然就是擇Python而用。

3. 簡潔豐富的Python

看到Python和網絡爬蟲這種自然相連的關係，小猿們不由要問，Python適合網絡爬蟲的自然屬性都是哪些呢？不急，聽老夫慢慢道來。

3.1 簡潔的語法

Python的語法很是簡單，提倡簡潔而不簡單，Python開發者的哲學就是「用一種方法，最好是隻有一種方法來作一件事」，這種哲學讓你寫的代碼沒有太多我的風格，易於讓他人看懂你的代碼，也讓你輕易看懂別人的代碼。Python的簡潔，也讓開發者能夠僅用幾行代碼就實現一個功能，而一樣的功能用Java可能要幾十行上百行，要用C++多是幾百行。 你們能夠試試在Python解釋器裏面運行import this，來品味一下Python的哲學：

>>> import this
> The Zen of Python
> by Tim Peters

> Beautiful is better than ugly.
> Explicit is better than implicit.
> Simple is better than complex.
> Complex is better than complicated.
> Flat is better than nested.
> Sparse is better than dense.
> Readability counts.
> Special cases aren't special enough to break the rules.
> Although practicality beats purity.
> Errors should never pass silently.
> Unless explicitly silenced.
> In the face of ambiguity, refuse the temptation to guess.
> There should be one-- and preferably only one --obvious way to do it.
> Although that way may not be obvious at first unless you're Dutch.
> Now is better than never.
> Although never is often better than *right* now.
> If the implementation is hard to explain, it's a bad idea.
> If the implementation is easy to explain, it may be a good idea.
> Namespaces are one honking great idea -- let's do more of those!

Python簡潔的語法，讓你實現、修改爬蟲都變得輕鬆起來。也就是說，寫起來賊快！人生苦短，何不Python 🙂

3.2 豐富的Python模塊

你們應該已經據說過Python模塊（庫）的豐富性，或許只是尚未時間和機會接觸過那麼多而已。「幾乎全部你想要的功能Python都有庫實現了」。這句話，彷佛很狂妄，但知足你90%的需求沒問題。因此，你們要記住這句話，在之後的開發過程當中，須要什麼基本功能了，就不妨先去搜搜、問問，看看是否是已經有人實現了這個功能，而且上傳到pypi上了，而你要作到可能僅僅是pip install。同時，也驗證一下這句話是否是那麼回事兒。

比方說，

我要下載網頁就用，

Python標準模塊urllib.request，還有好的沒話說的第三方開源模塊requests 異步http請求的有aiohttp

我要處理網址url就用：

Python自帶的模塊urllib.parse

我要解析html就用：

基於C語言庫的高效率模塊lxml, 好用的beautifulsoap。

我要管理網址，記錄下載成功的、失敗的、未下載的各類url的狀態，就用：

Python封裝的key-value數據庫leveldb

我要用成熟的爬蟲框架，就用：

歷史悠久的scrapy，後起之秀pyspider。

我要支持javascript和ajax，就用：

瀏覽器模擬框架Selenium，加上不須要桌面環境跑着Linux服務器上的大名鼎鼎的Google Headless Chrome。

還有個Phantomjs，惋惜已經中止開發了。

以上，只是我用過的寫網絡爬蟲須要的一些基本模塊，具體實踐中須要的基本功能均可以先搜搜看，沒準兒就已經有模塊支持想要的功能了。仍是那句話，「幾乎全部你想要的功能Python都有庫實現了」。你的工做，就是像搭積木同樣，把他們有機結合在一塊兒實現你的業務邏輯。

對的，像搭積木同樣實現你的網絡爬蟲，爲何不選擇Python呢？

若是你依然在編程的世界裏迷茫，不知道本身的將來規劃，能夠加入咱們的Python學習扣qun：784758214，看看前輩們是如何學習的！交流經驗！ 本身是一名高級python開發工程師，從基礎的python腳本到web開發、爬蟲、django、人工智能、數據挖掘等，零基礎到項目實戰的資料都有整理。 送給每一位python的小夥伴！分享一些學習的方法和須要注意的小細節，這裏是python學習者彙集地

點擊：python技術分享