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

? 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)

python学习网，免费的在线学习python平台，欢迎关注！