Question

我有丰富的PHP经验，虽然我意识到PHP可能不是大型网络爬虫的最佳语言，因为进程无法无限期运行。人们建议使用哪种语言？

Answer 1

大多数语言可能是合理的，关键组件是

处理Internet Protcols的图书馆
处理正则表达式的库
解析HTML内容的库

今天大多数语言都有对上述语言有很好支持的库，当然你需要一些方法来保存可能是某种数据库的结果。

更重要的是，而不是语言是理解你需要处理的所有概念。以下是一些可能有助于您入门的Python示例。

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

Answer 2

您可以轻松使用任何语言使用良好的网络库，并支持解析您要抓取的格式。这些都是唯一的资格。

Answer 3

您可以考虑使用python和PyGtkMozEmbed或PyWebKitGtk以及javascript的组合来创建您的蜘蛛。

可以在页面和所有其他脚本加载后在javascript中完成抓取。

你有少数支持javascript的网络蜘蛛之一，并且可能会收集其他人看不到的隐藏内容：）

Answer 4

C ++ - 如果你知道你在做什么。您不需要Web服务器和Web应用程序，因为Web爬虫只是一个客户端。

Answer 5

为什么要在复制http://code.activestate.com/recipes/576551-simple-web-crawler/

时自行编写

你可能需要在这里和那里修复一些东西，比如使用htmlentities而不是替换＆amp;与＆amp;

Answer 6

在撰写多核/线程抓取工具时，C是最重要的，但它有自己的复杂功能。在C之后，一些人去JAVA（由于广泛的探索和使用），而其他人去Python。如果你有很好的架构，我可以向你保证这三种语言不会限制你的效率。

这个python代码是一个C Curl实现，可以在一台漂亮的服务器上在300秒内抓取大约10,000个页面

#! /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()

Answer 7

C＃和C ++可能是最好的两种语言，它只是你知道的更好，哪种更快（C＃可能更容易）。

我不推荐Python，Javascript或PHP。与C系列语言相比，它们在文本处理方面通常会更慢。如果您希望抓取网络的任何重要部分，您将需要所有速度。

我之前使用过C＃和HtmlAgilityPack这样做，它的效果相对较好而且非常容易上手。像使用XML一样使用大量相同命令来处理HTML的能力使它变得很好（我有在C＃中使用XML的经验）。

您可能希望测试可用的C＃HTML解析库与C ++解析库的速度。我知道在我的应用程序中，我每秒运行60-70个相当混乱的页面并从每个页面中提取大量数据（但这是一个具有相当恒定布局的站点）。

编辑：我注意到你提到访问数据库。 C ++和C＃都有可以与大多数常见数据库系统一起使用的库，从SQLite（对于几个站点上的快速爬虫很有用）到MySQL和MSSQL等中端引擎，直到更大的数据库引擎（我从未使用过Oracle）或者来自任何一种语言的DB2，但它是可能的。）

哪种语言适合编写Web爬虫？

7 个答案: