1、Python 爬虫简介

爬虫就是向网站发起请求，获取资源后分析并提取有用数据的程序。互联网中最有价值的就是数据，可以利用爬虫的方式高效地挖掘这些数据（比如商品信息，房产租房，金融信息等）。通用爬虫是搜索引擎（Baidu、Google、Yahoo等）“抓取系统”的重要组成部分。搜索引擎就是通过爬虫爬取网页的方式，将网站信息收录到各家搜索引擎的服务器上，我们就可以通过百度等搜索引擎来搜索我们想要的信息。其它爬虫就是我们根据自己的需求抓取网络上指定的数据。

2、Python 爬虫的优势

Python、PHP、Java等常见的语言都可以用于编写网络爬虫，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，C#, Java, Ruby等。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。而Python 爬虫的优势就是科学计算，数值拟合可以使用Numpy，Scipy，可视化绘图2D可以使用Matplotlib，3D可以使用Mayavi2，创建、操作和研究复杂网络的结构可以使用Networkx，统计方面和R语言有接口可以使用Rpy，跨平台, 对Linux和Window支持都很好，另外Python开源的爬虫框架也很丰富。

3、Python 爬虫框架

1）Scrapy：Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。它是很强大的爬虫框架，可以满足简单的页面爬取，比如可以明确获知url pattern的情况。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。但是对于稍微复杂一点的页面，如weibo的页面信息，这个框架就满足不了需求了。它的特性有：HTML, XML源数据 选择及提取 的内置支持；提供了一系列在spider之间共享的可复用的过滤器(即 Item Loaders)，对智能处理爬取数据提供了内置支持。

2）Crawley：高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为JSON、XML等。

3）Portia：是一个开源可视化爬虫工具，可让使用者在不需要任何编程知识的情况下爬取网站！简单地注释自己感兴趣的页面，Portia将创建一个蜘蛛来从类似的页面提取数据。简单来讲，它是基于scrapy内核；可视化爬取内容，不需要任何开发专业知识；动态匹配相同模板的内容。

4）Newspaper：可以用来提取新闻、文章和内容分析。使用多线程，支持10多种语言等。

5）Python-goose：Java写的文章提取工具。Python-goose框架可提取的信息包括：文章主体内容、文章主要图片、文章中嵌入的任何Youtube/Vimeo视频、元描述、元标签。

6）Beautiful Soup：比较常用，整合了一些常用爬虫需求。它是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式。Beautiful Soup的缺点是不能加载JS。

7）Mechanize：它的优点是可以加载JS。当然它也有缺点，比如文档严重缺失。

8）Selenium：这是一个调用浏览器的driver，通过这个库你可以直接调用浏览器完成某些操作，比如输入验证码。Selenium是自动化测试工具，它支持各种浏览器，包括 Chrome，Safari，Firefox等主流界面式浏览器，如果在这些浏览器里面安装一个 Selenium 的插件，可以方便地实现Web界面的测试. Selenium支持浏览器驱动。Selenium支持多种语言开发，比如 Java，C，Ruby等等，PhantomJS 用来渲染解析JS，Selenium 用来驱动以及与Python的对接，Python进行后期的处理。

9）Cola：是一个分布式的爬虫框架，对于用户来说，只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。项目整体设计有点糟，模块间耦合度较高。

10）PySpider：一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器，任务监视器，项目管理器以及结果查看器。Python脚本控制，可以用合适的html解析包。

4、Python 爬虫的应用

利用爬虫我们可以获取大量的价值数据，然后对数据进行分析处理，从而获得感性认识中不能得到的信息。

例如，

1）知乎上爬取优质答案，为你筛选出各话题下最优质的内容。

2）淘宝、京东上抓取商品、评论及销量数据，对各种商品及用户的消费场景进行分析。

3）安居客、链家上抓取房产买卖及租售信息，分析房价变化趋势、做不同区域的房价分析。

4）拉勾网、智联上爬取各类职位信息，分析各行业人才需求情况及薪资水平。

5）雪球网上抓取雪球高回报用户的行为，对股票市场进行分析和预测等。