网络爬虫

 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

爬虫的作用

• 做为通用搜索引擎网页收集器。（google,baidu）

• 做垂直搜索引擎.(找工作的搜索引擎: www.deepdo.com,数据来源于：www.51job.com , www.zhaoping.com , www.chinahr.com 等等)
• 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……（《google hack》….）

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？