网络爬虫-Python和数据分析.pdf

1、网络爬虫, Python和数据分析王澎中国科技大学什么是网络爬虫？ 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有什么用？ 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: ,数据来源于： , , 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

2、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）我曾经用来写过爬虫的语言 Perl: 古老的脚本语言，hack 语言，被用来写爬虫有着悠久的历史，因此，书本支持相当丰富：spidering ha

3、cks，Perl & LWP；强大的文本处理能力，数据库支持能力。缺点：有点怪异。 Python：相对年轻一点的语言。对于爬虫来说各方面能力还行，并且还在完善中，没有Perl那样有专门的爬虫书籍，不过网上能搜到一些文章。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？从一个简单的Python爬虫开始说明：加说明语句时要注意#需要英文编码里的，而不能是中文输入法中的#号，所以添加中文说明时先在英文输入法下打入#号后再切换到中文输入瀚海星云Pie 版的网页部分代码Pie版的Html树部分结构