为什么说python适合写爬虫_Python

为什么说python适合写爬虫

2020-06-12 10:41silencement Python

在本文中，小编给读者们整理的一篇关于分析为什么说python适合写爬虫的语言的相关内容，有兴趣的朋友们可以学习下。

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封杀的。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

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。Life is short， u need python.

冲最后一句‘Lifeisshort，uneedpython'，立马在当当上买了本python的书！以前就膜拜过python大牛，一直想学都扯于各种借口迟迟没有开始。。

py用在linux上很强大，语言挺简单的。

NO.1 快速开发（唯一能和python比开发效率的语言只有rudy）语言简洁，没那么多技巧，所以读起来很清楚容易。
NO.2跨平台（由于python的开源，他比java更能体现"一次编写到处运行"
NO.3解释性（无须编译，直接运行／调试代码）
NO.4构架选择太多（GUI构架方面主要的就有 wxPython, tkInter, PyGtk, PyQt 。

知识点扩展：

用python写爬虫相关的实例：

				?

									# coding:utf-8

									import urllib

									domain = 'http://www.liaoxuefeng.com'   #廖雪峰的域名

									path = r'C:\Users\cyhhao2013\Desktop\temp\\' #html要保存的路径

									# 一个html的头文件

									input = open(r'C:\Users\cyhhao2013\Desktop\0.html', 'r')

									head = input.read()

									# 打开python教程主界面

									f = urllib.urlopen("http://www.需要爬取的网址.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000")

									home = f.read()

									f.close()

									# 替换所有空格回车（这样容易好获取url）

									geturl = home.replace("\n", "")

									geturl = geturl.replace(" ", "")

									# 得到包含url的字符串

									list = geturl.split(r'em;"><ahref="')[1:]

									# 强迫症犯了，一定要把第一个页面也加进去才完美

									list.insert(0, '/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000">')

									# 开始遍历url List

									for li in list:

									 url = li.split(r'">')[0]

									 url = domain + url    #拼凑url

									 print url

									 f = urllib.urlopen(url)

									 html = f.read()

									 # 获得title为了写文件名

									 title = html.split("<title>")[1]

									 title = title.split(" - 廖雪峰的官方网站</title>")[0]

									 # 要转一下码，不然加到路径里就悲剧了

									 title = title.decode('utf-8').replace("/", " ")

									 # 截取正文

									 html = html.split(r'<!-- block main -->')[1]

									 html = html.split(r'<h4>您的支持是作者写作最大的动力！</h4>')[0]

									 html = html.replace(r'src="', 'src="' + domain)

									 # 加上头和尾组成完整的html

									 html = head + html+"</body></html>"

									 # 输出文件

									 output = open(path + "%d" % list.index(li) + title + '.html', 'w')

									 output.write(html)

									 output.close()