什么语言适合写网络爬虫?[关闭]

如果你知道自己在做什么。您将不需要Web服务器和Web应用程序,因为Web爬虫毕竟只是一个客户机。

大多数语言可能是合理的,关键组件是

1. 图书馆处理互联网协议
2. 处理正则表达式的库
3. 用于分析HTML内容的库

今天,大多数语言都有对上述内容有良好支持的库,当然,您需要某种方法来保存可能是某种数据库的结果。

比语言更重要的是理解你需要处理的所有概念。下面是一些可以帮助您入门的Python示例。

http://www.example-code.com/python/pythonspider.asp

任何一种语言,只要有一个好的网络库,并且支持解析你想要爬行的格式,你就可以轻松使用。这些确实是唯一的条件。

您可以考虑使用python和pygtkmozembed或pywebkitgtk加上javascript的组合来创建蜘蛛。

在页面和所有其他脚本加载之后,可以在javascript中完成爬行。

你将拥有少数几个支持javascript的网络蜘蛛之一,并且可能会发现其他蜘蛛看不到的隐藏内容:)

当你可以复制的时候为什么要自己写? http://code.activestate.com/recipes/576551-simple-web-crawler/

您可能需要在这里或那里解决一些问题,例如使用HTMLEntities而不是用&替换

当涉及到写多核/线程爬虫时,C是万能的上帝,但是它有它自己的复杂性。在C之后,有些人去Java(由于广泛的探索和使用),而另一些则转到Python。如果你有一个好的架构,我可以向你保证这三种语言不会限制你的效率。

这个python代码是C curl实现,可以在一个不错的服务器上以300秒的速度爬行10000页左右。

#! /usr/bin/env python
# -*- coding: iso-8859-1 -*-
# vi:ts=4:et
# $Id: retriever-multi.py,v 1.29 2005/07/28 11:04:13 mfx Exp $

#
# Usage: python retriever-multi.py <file with URLs to fetch> [<# of
#          concurrent connections>]
#

import sys
import pycurl

# We should ignore SIGPIPE when using pycurl.NOSIGNAL - see
# the libcurl tutorial for more info.
try:
    import signal
    from signal import SIGPIPE, SIG_IGN
    signal.signal(signal.SIGPIPE, signal.SIG_IGN)
except ImportError:
    pass


# Get args
num_conn = 10
try:
    if sys.argv[1] == "-":
        urls = sys.stdin.readlines()
    else:
        urls = open(sys.argv[1]).readlines()
    if len(sys.argv) >= 3:
        num_conn = int(sys.argv[2])
except:
    print "Usage: %s <file with URLs to fetch> [<# of concurrent connections>]" % sys.argv[0]
    raise SystemExit


# Make a queue with (url, filename) tuples
queue = []
for url in urls:
    url = url.strip()
    if not url or url[0] == "#":
        continue
    filename = "doc_%03d.dat" % (len(queue) + 1)
    queue.append((url, filename))


# Check args
assert queue, "no URLs given"
num_urls = len(queue)
num_conn = min(num_conn, num_urls)
assert 1 <= num_conn <= 10000, "invalid number of concurrent connections"
print "PycURL %s (compiled against 0x%x)" % (pycurl.version, pycurl.COMPILE_LIBCURL_VERSION_NUM)
print "----- Getting", num_urls, "URLs using", num_conn, "connections -----"


# Pre-allocate a list of curl objects
m = pycurl.CurlMulti()
m.handles = []
for i in range(num_conn):
    c = pycurl.Curl()
    c.fp = None
    c.setopt(pycurl.FOLLOWLOCATION, 1)
    c.setopt(pycurl.MAXREDIRS, 5)
    c.setopt(pycurl.CONNECTTIMEOUT, 30)
    c.setopt(pycurl.TIMEOUT, 300)
    c.setopt(pycurl.NOSIGNAL, 1)
    m.handles.append(c)


# Main loop
freelist = m.handles[:]
num_processed = 0
while num_processed < num_urls:
    # If there is an url to process and a free curl object, add to multi stack
    while queue and freelist:
        url, filename = queue.pop(0)
        c = freelist.pop()
        c.fp = open(filename, "wb")
        c.setopt(pycurl.URL, url)
        c.setopt(pycurl.WRITEDATA, c.fp)
        m.add_handle(c)
        # store some info
        c.filename = filename
        c.url = url
    # Run the internal curl state machine for the multi stack
    while 1:
        ret, num_handles = m.perform()
        if ret != pycurl.E_CALL_MULTI_PERFORM:
            break
    # Check for curl objects which have terminated, and add them to the freelist
    while 1:
        num_q, ok_list, err_list = m.info_read()
        for c in ok_list:
            c.fp.close()
            c.fp = None
            m.remove_handle(c)
            print "Success:", c.filename, c.url, c.getinfo(pycurl.EFFECTIVE_URL)
            freelist.append(c)
        for c, errno, errmsg in err_list:
            c.fp.close()
            c.fp = None
            m.remove_handle(c)
            print "Failed: ", c.filename, c.url, errno, errmsg
            freelist.append(c)
        num_processed = num_processed + len(ok_list) + len(err_list)
        if num_q == 0:
            break
    # Currently no more I/O is pending, could do something in the meantime
    # (display a progress bar, etc.).
    # We just call select() to sleep until some more data is available.
    m.select(1.0)


# Cleanup
for c in m.handles:
    if c.fp is not None:
        c.fp.close()
        c.fp = None
    c.close()
m.close()

C和C++可能是最好的两种语言,这只是一个你知道得更好,哪个更快(C很可能更容易)的问题。

我不推荐使用python、javascript或php。与C族语言相比,它们的文本处理速度通常较慢。如果你想抓取网络中任何重要的部分,你需要尽可能快的速度。

我以前用过c_和htmlagilitypack,它工作得比较好,而且很容易获取。使用大量与XML相同的命令来处理HTML的能力使它变得很好(我有在C中处理XML的经验)。

您可能想测试可用的C语言解析库与C++解析库的速度。我知道在我的应用程序中,我每秒浏览60-70个相当混乱的页面,并从每个页面中提取大量数据(但这是一个布局相当稳定的站点)。

编辑:我注意到你提到过访问数据库。C++和C语言都有与大多数常用数据库系统一起工作的库,从SQLite(这将是一个在几个站点上的快速爬行器)到中型引擎,比如MySQL和MSSQL,直到更大的DB引擎(我从未使用过任何一种语言的Oracle或DB2,但这是可能的)。