猫史档案馆

什么叫网络爬虫？

       网络爬虫又称网络蜘蛛，是指按照某种规则在网络上爬取所需内容的脚本程序。众所周知，每个网页通常包含其他网页的入口，网络爬虫则通过一个网址依次进入其他网址获取所需内容。

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。

      爬虫是搜索引擎的第一步也是最容易的一步。

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？

       用c#,java写爬虫。区别不大，原理就是利用好正则表达式。只不过是平台问题。后来了解到很多爬虫都是用python写的，于是便一发不可收拾。Python优势很多，总结两个要点：

1.抓取网页本身的接口

       相比与其他静态编程语言，如java，c#，C++，python抓取网页文档的接口更简洁；相比其他动态脚本语言，如perl，shell，python的urllib2包提供了较为完整的访问网页文档的API。（当然ruby也是很好的选择）

      此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是喵的。这是我们需要模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize

2.网页抓取后的处理

      抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。

      其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。

 

                                                                                                                                  原作者：AI女神安娜
                                                                                                 链接：https://www.jianshu.com/p/c380f4d3e6cd