你们都用什么来做爬虫的

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 4273 天前的主题，其中的信息可能已经有所发展或是发生改变。

你们都用什么语言来做爬虫的，有什么好的介绍。。。

第 1 条附言 · 2013-03-13 09:28:01 +08:00

有没有c/c++的..................

爬虫

什么

你们

48 条回复 • 2018-11-30 18:50:29 +08:00

for4

2013-03-12 09:22:08 +08:00

Python
+requests
+lxml
+celery

xdeng

2013-03-12 09:31:03 +08:00

@for4 -.-! 要学这么多东西啊

for4

2013-03-12 09:36:30 +08:00

@xdeng
第一个是编程语言
后面三个是可能需要用到的库

这是我认为的写一个爬虫最简单易学的搭配

xieren58

2013-03-12 09:40:41 +08:00

Node + jquery

liuxurong

2013-03-12 09:41:46 +08:00

我是 requests + pyquery

另外
@for4 celery通常用来做什么

xdeng

2013-03-12 09:54:04 +08:00

@xieren58
@liuxurong 这个网站里的全都是做网页的么

shinwood

2013-03-12 10:03:05 +08:00

试过python + Scrapy，感觉不错。

http://scrapy.org/

greatghoul

2013-03-12 10:13:34 +08:00

@shinwood 这个用起来的确骚爽。

colincat

2013-03-12 10:13:35 +08:00 via Android

java

for4

2013-03-12 10:14:06 +08:00

@liuxurong
我是把爬虫的各个功能部分分成小任务, 然后按需放入任务队列中. 这样既能有效的降低爬虫的复杂度, 同时用队列也能提高爬虫的稳健度, 比如失败重做.
还有, 使用celery后你的爬虫就变成分布式的了, 可以简单的布置在多台机器上跑

wingoo

2013-03-12 10:53:32 +08:00

scrapy

twm

2013-03-12 10:55:26 +08:00

JAVA PHP

dulao5

2013-03-12 17:40:21 +08:00

PHP + curl_multi_*

不过以后应该尝试nodejs了，并发容易实现，解析页面里的js更有优势。

xjay

2013-03-12 20:05:01 +08:00

scrapy
不解释

PrideChung

2013-03-12 20:09:22 +08:00

ruby+norogiri
http://nokogiri.org/

amxku

2013-03-12 20:30:18 +08:00

Python
+curl
+celery

1up

2013-03-12 20:36:18 +08:00

http://www.gregreda.com/2013/03/03/web-scraping-101-with-python/ Web Scraping 101 with Python

cloverstd

2013-03-12 21:14:19 +08:00

Python: urllib, urllib2, re

sobigfish

2013-03-12 22:18:01 +08:00

前几天用nodejs写个玩，但不知道怎么部署在只有web服务的 PaaS上－，－
cheerio很好用阿，完全是jQuery的语法。

require('http');require('cheerio');require('iconv').Iconv;require('mongodb');

chuck911

2013-03-12 22:34:53 +08:00

还有人写个爬虫还非要用芹菜...

Scrapy爽是因为它基于事件驱动的Twisted，我以前也很爱Scrapy，后来用上Node写爬虫就感觉从重型土炮换到了肩扛火箭筒

atom

2013-03-12 23:34:32 +08:00

@twm
@colincat
同为javaer，能否推荐下是哪个库？

sohoer

2013-03-13 00:38:28 +08:00

@atom
JAVA?
HttpURLConnection + Regex = Spider

Linxing

2013-03-13 01:23:03 +08:00 via Android

python beautifulsoup urlib爬文章

liuxurong

2013-03-13 01:55:37 +08:00

@for4 谢谢。有没有celery的中文资料

crazybubble

2013-03-13 04:34:27 +08:00

@atom 用regex来做html parsing不推荐，我推荐用jsoup。

colincat

2013-03-13 08:03:06 +08:00 via iPhone

@sohoer htmlparse httpclient

workaholic

2013-03-13 08:04:13 +08:00

php+snoopy

akalanala

2013-03-13 08:48:24 +08:00

@crazybubble 同推荐.

binux

2013-03-13 09:21:19 +08:00

python + tornado AsyncHTTPClient + PyQuery

sonicwu

2013-03-13 09:24:32 +08:00

Java
+ jsoup

Python
+ Beautiful Soup
+ urllib
+ lxml

dingyaguang117

2013-03-13 10:05:15 +08:00

Python
+ Beautiful Soup
+ lxml
+ Scrapy

atom

2013-03-13 13:59:52 +08:00

@crazybubble
是个很棒的库，看到 http://try.jsoup.org/ 我就喜欢上它了

zoran

2013-03-14 13:12:55 +08:00

Java 可以试试这个 https://github.com/zhuoran/crawler4j

yangxin0

2013-03-14 13:42:31 +08:00

看过别人用C

Xrong

2013-03-14 18:43:04 +08:00

希望大家给推荐PHP的，毕业设计打算用这玩意写；都说用PHP写不大方便，但是还是希望大伙有写过的，提供源码参考下，有在线资源的也行。

zdwalter

2013-03-15 16:21:50 +08:00

phantomjs, casperjs

zhouquanbest

2013-03-16 18:17:38 +08:00

python + pyquery 是个好东西
会jquery就能写

nojt7Zm

2013-03-17 21:51:02 +08:00

php

kingwkb

2013-03-17 21:58:54 +08:00

之前用python，现在换到ruby

http://s.yanghao.org/

gameending

2013-03-17 22:09:33 +08:00

python跟java都写过，python很简洁，java的话我觉得也还不错

lbj96347

2013-03-17 23:08:21 +08:00

node.js or python. :-)

kdepp

2013-07-07 23:03:59 +08:00

node + cheerio

briefcopy

2014-08-18 21:22:21 +08:00

用WebCollector(JAVA爬虫),https://github.com/CrawlScript/WebCollector

cangbaotu

2016-05-24 17:12:36 +08:00

http://www.shenjianshou.cn/ 神箭手云爬虫

ssllff123

2016-10-10 14:56:50 +08:00

@for4 我和你想的一样，但是有些问题
1 ，是不是 celery 就可以自动多线程了。任务只需要实现爬虫的功能就可以了。
2 ，感觉并不快啊。
3 ，可否有写好的项目看看

billyellow

2016-11-16 18:48:53 +08:00

推荐试下这个 http://www.zaoshu.io

GrahamCloud

2017-02-23 14:11:42 +08:00

@billyellow 好的！

jiankaikey

2018-11-30 18:50:29 +08:00

右键->另存为