什麼是網絡爬蟲？爲何要選擇Python寫網絡爬蟲？

什麼是網絡爬蟲？

網絡爬蟲是一個自動提取網頁的程序，它爲搜索引擎從萬維網上下載網頁，是搜索引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始，得到初始網頁上的URL，在抓取網頁的過程當中，不斷從當前頁面上抽取新的URL放入隊列,直到知足系統的必定中止條件

爬蟲有什麼用？

• 作爲通用搜索引擎網頁收集器。（google,baidu）

• 作垂直搜索引擎.

• 科學研究：在線人類行爲，在線社羣演化，人類動力學研究，計量社會學，複雜網絡，數據挖掘，等領域的實證研究都須要大量數據，網絡爬蟲是收集相關數據的利器。
• 偷窺，hacking，發垃圾郵件……

爬蟲是搜索引擎的第一步也是最容易的一步

•  網頁蒐集

•  創建索引

•  查詢排序

 用什麼語言寫爬蟲？

• C，C++。高效率，快速，適合通用搜索引擎作全網爬取。缺點，開發慢，寫起來又臭又長，例如：天網搜索源代碼。

• 腳本語言：Perl, Python, Java, Ruby。簡單，易學，良好的文本處理能方便網頁內容的細緻提取，但效率每每不高，適合對少許網站的聚焦爬取

• C#？（貌似信息管理的人比較喜歡的語言）

 爲何最終選擇Python？

• 跨平臺，對Linux和windows都有不錯的支持。
• 科學計算，數值擬合：Numpy，Scipy
• 可視化：2d：Matplotlib(作圖很漂亮), 3d: Mayavi2  
• 複雜網絡：Networkx
• 統計：與R語言接口：Rpy
• 交互式終端
• 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     做用：根據url發送請求，獲取html數據;
 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     做用將html寫入本地
17 
18     :param html: 服務器相應的文件內容
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     做用貼吧爬蟲調度器，負責處理每個頁面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)+'頁.html'
37         html= loadPage(url,filename)
38 
39         writePage(html,filename)
40 
41 
42 
43 if __name__=="__main__":
44     kw=input('請輸入你要須要爬取的貼吧名:')
45     beginPage=int(input('請輸入起始頁'))
46     endPage=int(input('請輸入結束頁'))
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)