什么是網絡爬蟲？為什么要選擇Python寫網絡爬蟲？

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

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，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？

• 跨平台，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)