为什么写爬虫,我们要选择Python

记得有次发现有些网页抓不下来,开始好久都找不着头脑,废了九牛二虎之力,终于发现是http请求处理的问题。深入代码才看到,http协议的这部分代码都是写这个人自己实现的,只是实现了最基本的协议,也就是,建立socket连接,发送请求,然后通过socket接收数据,解析响应头(response headers)。然而这个响应头连http重定向都没有处理,凡是重定向的响应就都失败了,自然那些网页就抓不下来了。

为了抓到那些响应,我们就不得不继续完善http协议的解析功能,贡献了很多代码。。

为什么要自己实现基本的http协议呢?难道就没有好的第三方库可以用吗?现在想来,那个爬虫也就是看上去能用,听上去高大上,实际上问题很多。

那个网络爬虫程序维护了一两年最终放弃了,后来的爬虫技术都开始用Python来实现了。

现在如果让我实现一个网络爬虫,二话不说,肯定是要用Python。究其原因,可能有已经几点经验和教训跟大家分享一下。

1. 变幻莫测的网络爬虫

写过爬虫,可能都有这么一个感觉,就是昨天跑的好好的爬虫,今天可能就出问题,不work了。这里面的原因可能就是,网页的改版,网站的封锁等等。遇到这种情况,我们就必须在最快的时间内调试找出问题所在,并以最快的速度修复,使其尽快上线跑起来。

2. 随机应变的Python

鉴于上述爬虫复杂的变化,写网络爬虫就必须依赖一个快速开发、灵活的语言,同时又有完整丰富的库支撑。而同时具备这些优点的语言,无疑就是Python了。所以,Python天然就是为爬虫而生,爬虫天然就是择Python而用。

3. 简洁丰富的Python

看到Python和网络爬虫这种天然相连的关系,小猿们不禁要问,Python适合网络爬虫的天然属性都是哪些呢?不急,听老夫慢慢道来。

3.1 简洁的语法

Python的语法非常简单,提倡简洁而不简单,Python开发者的哲学就是“用一种方法,最好是只有一种方法来做一件事”,这种哲学让你写的代码没有太多个人风格,易于让他人看懂你的代码,也让你轻易看懂别人的代码。Python的简洁,也让开发者可以仅用几行代码就实现一个功能,而同样的功能用Java可能要几十行上百行,要用C++可能是几百行。 大家可以试试在Python解释器里面运行import this,来品味一下Python的哲学:

>>> import this
> The Zen of Python
> by Tim Peters

> Beautiful is better than ugly.
> Explicit is better than implicit.
> Simple is better than complex.
> Complex is better than complicated.
> Flat is better than nested.
> Sparse is better than dense.
> Readability counts.
> Special cases aren't special enough to break the rules.
> Although practicality beats purity.
> Errors should never pass silently.
> Unless explicitly silenced.
> In the face of ambiguity, refuse the temptation to guess.
> There should be one-- and preferably only one --obvious way to do it.
> Although that way may not be obvious at first unless you're Dutch.
> Now is better than never.
> Although never is often better than *right* now.
> If the implementation is hard to explain, it's a bad idea.
> If the implementation is easy to explain, it may be a good idea.
> Namespaces are one honking great idea -- let's do more of those!

Python简洁的语法,让你实现、修改爬虫都变得轻松起来。也就是说,写起来贼快!人生苦短,何不Python ?

3.2 丰富的Python模块

大家应该已经听说过Python模块(库)的丰富性,或许只是还没有时间和机会接触过那么多而已。“几乎所有你想要的功能Python都有库实现了”。这句话,似乎很狂妄,但满足你90%的需求没问题。所以,大家要记住这句话,在以后的开发过程中,需要什么基本功能了,就不妨先去搜搜、问问,看看是不是已经有人实现了这个功能,并且上传到pypi上了,而你要做到可能仅仅是pip install。同时,也验证一下这句话是不是那么回事儿。

比方说,

我要下载网页就用,

Python标准模块urllib.request,还有好的没话说的第三方开源模块requests 异步http请求的有aiohttp

我要处理网址url就用:

Python自带的模块urllib.parse

我要解析html就用:

基于C语言库的高效率模块lxml, 好用的beautifulsoap。

我要管理网址,记录下载成功的、失败的、未下载的各种url的状态,就用:

Python封装的key-value数据库leveldb

我要用成熟的爬虫框架,就用:

历史悠久的scrapy,后起之秀pyspider。

我要支持javascript和ajax,就用:

浏览器模拟框架Selenium,加上不需要桌面环境跑着Linux服务器上的大名鼎鼎的Google Headless Chrome。

还有个Phantomjs,可惜已经停止开发了。

以上,只是我用过的写网络爬虫需要的一些基本模块,具体实践中需要的基本功能都可以先搜搜看,没准儿就已经有模块支持想要的功能了。还是那句话,“几乎所有你想要的功能Python都有库实现了”。你的工作,就是像搭积木一样,把他们有机结合在一起实现你的业务逻辑。

对的,像搭积木一样实现你的网络爬虫,为什么不选择Python呢?

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券