13161216443

您所在位置: 首頁> python技術> 什么是python網路爬蟲?

什么是python網路爬蟲?

發布百知教育 來源:python技術 2019-06-25

什么是網絡爬蟲?

網絡爬蟲是一個自動提取網頁的程序,它為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,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。

timg.jpg

爬蟲有什么用?

  • 做為通用搜索引擎網頁收集器。(google,baidu)

  • 做垂直搜索引擎.

  • 科學研究:在線人類行為,在線社群演化,人類動力學研究,計量社會學,復雜網絡,數據挖掘,等領域的實證研究都需要大量數據,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

?  網頁搜集

?  建立索引

?  查詢排序


 用什么語言寫爬蟲?

  • C,C++。高效率,快速,適合通用搜索引擎做全網爬取。缺點,開發慢,寫起來又臭又長。

  • 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致提取,但效率往往不高,適合對少量網站的聚焦爬取

  • C#?(貌似信息管理的人比較喜歡的語言)


 為什么最終選擇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(做圖很漂亮), 3d: Mayavi2  

  • 復雜網絡: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

import urllib
import urllib.request

def loadPage(url,filename):
    """
    作用:根據url發送請求,獲取html數據;
    :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寫入本地

    :param html: 服務器相應的文件內容
    :return:
    """
    with open(filename,'w') as f:
        f.write(html)
    print('-'*30)
def tiebaSpider(url,beginPage,endPage):
    """
    作用貼吧爬蟲調度器,負責處理每一個頁面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.html'
        html= loadPage(url,filename)

        writePage(html,filename)



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


上一篇:python模塊安裝

下一篇:應屆生去公司找個Java程序員的職位需要什么技能?

相關推薦

www.akpsimsu.com

有位老師想和您聊一聊

關閉

立即申請