抓取網頁本身的接口

相比與其他靜態編程語言，如java，c#，C++，python抓取網頁文檔的接口更簡潔；相比其他動態腳本語言，如perl，shell，python的urllib2包提供了較為完整的訪問網頁文檔的API。（當然ruby也是很好的選擇）

此外，抓取網頁有時候需要模擬瀏覽器的行為，很多網站對于生硬的爬蟲抓取都是封殺的。這是我們需要模擬user agent的行為構造合適的請求，譬如模擬用戶登陸、模擬session/cookie的存儲和設置。在python里都有非常優秀的第三方包幫你搞定，如Requests，mechanize

網頁抓取后的處理

抓取的網頁通常需要處理，比如過濾html標簽，提取文本等。python的beautifulsoap提供了簡潔的文檔處理功能，能用極短的代碼完成大部分文檔的處理。

其實以上功能很多語言和工具都能做，但是用python能夠干得最快，最干凈。Life is short， u need python.

沖最后一句‘Lifeisshort，uneedpython’，立馬在當當上買了本python的書！以前就膜拜過python大牛，一直想學都扯于各種借口遲遲沒有開始。。

py用在linux上很強大，語言挺簡單的。

NO.1 快速開發（唯一能和python比開發效率的語言只有rudy）語言簡潔，沒那么多技巧，所以讀起來很清楚容易。 NO.2跨平臺（由于python的開源，他比java更能體現'一次編寫到處運行' NO.3解釋性（ 無須編譯，直接運行／調試代碼） NO.4構架選擇太多（GUI構架方面 主要的就有 wxPython, tkInter, PyGtk, PyQt 。

知識點擴展：

用python寫爬蟲相關的實例：

# coding:utf-8import urllibdomain = ’http://www.liaoxuefeng.com’ #廖雪峰的域名path = r’C:Userscyhhao2013Desktoptemp’ #html要保存的路徑# 一個html的頭文件input = open(r’C:Userscyhhao2013Desktop0.html’, ’r’)head = input.read()# 打開python教程主界面f = urllib.urlopen('http://www.需要爬取的網址.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000')home = f.read()f.close()# 替換所有空格回車（這樣容易好獲取url）geturl = home.replace('n', '')geturl = geturl.replace(' ', '')# 得到包含url的字符串list = geturl.split(r’em;'><ahref='’)[1:]# 強迫癥犯了，一定要把第一個頁面也加進去才完美list.insert(0, ’/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000'>’)# 開始遍歷url Listfor li in list: url = li.split(r’'>’)[0] url = domain + url #拼湊url print url f = urllib.urlopen(url) html = f.read() # 獲得title為了寫文件名 title = html.split('<title>')[1] title = title.split(' - 廖雪峰的官方網站</title>')[0] # 要轉一下碼，不然加到路徑里就悲劇了 title = title.decode(’utf-8’).replace('/', ' ') # 截取正文 html = html.split(r’<!-- block main -->’)[1] html = html.split(r’<h4>您的支持是作者寫作最大的動力！</h4>’)[0] html = html.replace(r’src='http://m.b3g6.com/bcjs/’, ’src='’ + domain) # 加上頭和尾組成完整的html html = head + html+'</body></html>' # 輸出文件 output = open(path + '%d' % list.index(li) + title + ’.html’, ’w’) output.write(html) output.close()

到此這篇關于為什么說python適合寫爬蟲的文章就介紹到這了,更多相關為什么用python寫爬蟲內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！