请问最佳的爬虫语言是什么

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 801 天前的主题，其中的信息可能已经有所发展或是发生改变。

如果需要多线程（多端口）下载网页，保证下载速度和网页解析速度和开发速度的在合理的范围之内，哪一款语言是最优的。

golang 并发使用最强的，在正则匹配速度，爬虫软件包的丰富程度上和 perl 、python 还有不小差距。

pyhon 的异步下载引擎貌似使用不是特别方便（个人对 pyhon 不熟，勿喷）

php 有 https://github.com/walkor/Workerman 这样的高性能网页服务器框架，有没有易用的爬虫框架？

node.js 异步下载貌似很强大，有没有大型爬虫项目使用 node.js 做爬虫，同时网页解析，文件处理，unicode 转码全部使用这个语言的爬虫案例？

perl 有一个 mojo::useragent 配合 libEV ，并发能力很强大。perl 在文本正则处理、文本编码转换，网页 dom 解析都有成熟的处理方案和软件包，这个是目前作者最喜欢的平台。

c# 据说是最强大爬虫平台，没接触多少。

java 平台性能很强劲，软件包也丰富，笔者知之甚少。

rust 貌似爬虫全套组件都有，而且比较新。貌似可以做出极致压榨硬件性能的方案。

第 1 条附言 · 2022-09-15 11:09:18 +08:00

php 爬虫框架：

https://github.com/ares333/php-curl
The best php curl library. 利用 php-curl 内置 IO 事件循环实现，具备高性能、高通用性、高扩展性，尤其适合复杂业务逻辑大批量请求的应用场景。

https://github.com/kiddyuchina/Beanbun 这个是基于 Workerman 的爬虫框架(@wxf666 27 楼提供)

rust 爬虫框架：

下面的资源是作者收集的，貌似 rust 可以做出把带宽和 CPU 压榨到机制。
先进的内存释放模式，接近 c c++的速度，丰富的配套软件，不禁让人神往。

https://gist.github.com/rolisz/e691aaa3c0d508f739d43d3404d0cf8c

https://rolisz.ro/2020/03/01/web-crawler-in-rust/

https://github.com/tensor-programming/rust_web_crawler
https://github.com/mattsse/voyager

Multithreaded Web spider crawler written in Rust.

https://github.com/madeindjs/spider

Tokio 是一个事件驱动的非阻塞 I/O 平台，用于使用 Rust 编程语言编写异步应用程序。
https://github.com/tokio-rs/tokio

Rust 标准库的异步版本
https://github.com/async-rs/async-std

Rayon 是 Rust 的数据并行库。它非常轻巧，可以轻松地将顺序计算转换为并行计算。它还保证了数据竞争的自由。
https://github.com/rayon-rs/rayon

hyper: Rust 的快速且正确的 HTTP/1.1 和 HTTP/2 实现。
https://github.com/hyperium/hyper

如果您正在寻找方便的 HTTP 客户端，那么您不妨考虑 reqwest 。
https://github.com/seanmonstar/reqwest
如果您正在寻找方便的 HTTP 服务器，那么您不妨考虑 warp 。
https://github.com/seanmonstar/warp

rdbc：用于 MySQL 、Postgres 和 SQLite 的 Rust 数据库连接库。
https://github.com/tokio-rs/rdbc

bytes：用于处理字节的实用程序，包括高效的字节缓冲区。
https://github.com/tokio-rs/bytes

HTML 解析
https://github.com/causal-agent/scraper
https://github.com/servo/html5ever

选择器
一个从 HTML 文档中提取有用数据的库，适用于网络抓取。
https://github.com/utkarshkukreti/select.rs

字符编码
https://github.com/hsivonen/encoding_rs
https://github.com/lifthrasiir/rust-encoding

json
https://github.com/serde-rs/json
https://github.com/maciejhirsz/json-rust

第 2 条附言 · 2022-09-15 11:15:19 +08:00

第 3 条附言 · 2022-09-15 21:03:24 +08:00

一段 perl 代码展示如何 all in one 优雅地编写一个异步爬虫

https://www.v2ex.com/t/880334

爬虫

pyhon

Node

异步

67 条回复 • 2022-09-16 04:36:57 +08:00

shuimugan

2022-09-15 04:30:43 +08:00

不一定要 all in one ，任务调度、发送请求、解析内容、数据入库等可以用微服务的理念拆分开来，这样也方便扩展和重构，这玩意没有万金油的。
从事件驱动的玩法上看，在异步里面做 cpu 复杂度高的计算都会降低时间循环的效率，所以解析复杂度高的东西都是拆分出去的，避免阻塞发送请求的代码。

如果你观察过云服务商的 serverless ，你会发现它们那些通过队列事件触发的函数本质上也是一个 http 函数，因为可以和 api 网关 /k8s 结合，在更新版本时候可以把新流量导到新版本上，老版本等原有的 http 连接都关闭完就销毁。

我目前在用 Node.js 写的爬虫也是这么设计的，目前是基于 NestJS 这个 web 框架做爬虫，结合 nsq 做任务调度，每个外发请求都是用 http 接口来触发，用 traefik 做网关和灰度切换，再结合 k8s 和部署和健康检查做滚动更新。

目前用的到库：
jsonata：用来解析复杂 json ，降低代码复杂度
cheerio：服务端的 jquery ，在 python 有 BeautifulSoup ，在 java 有 jsoup ，也是类似的功能
cld：语言检测，在 python 里有 langdetect

不过也准备重构了，目前碰到的问题是任务堆积多了之后内存涨得快回落得慢，说白了就是 gc 回收不及时，打算先用 C# 把调度和发送请求的部分重构一下，再不行就换 rust ，解析和入库还是用回 nodejs 。

dfgddgf

2022-09-15 04:44:57 +08:00

@shuimugan 这个思路新奇，复杂的问题拆解为更为简单的基础问题。

这是 linux shell 编程的基本思路。

您的观点可以得到验证。在异步的环境里做网页解析，确实占用率比较高。大概异步使用高精度的时间作为时间的区分标准，不停地查询 io 状态，这个比较耗费资源。

按照这样的逻辑推断。应该把异步交给一个专门的组件（软件）来搞，而同步的工作、大量耗费 cpu 资源的用队伍列表的方式使用常规的软件来搞。

学习了。这种专业的问题，只有资深专家，做过大型项目的前辈才能了解其中的诀窍。

LeeReamond

2022-09-15 04:51:47 +08:00

爬虫没有什么特定一个阶段兴起快速抢占市场的问题，所以基本上市占率比较高的就是好用的。
另外 python 异步挺简单的，确实只是你不了解而已

laolaowang

2022-09-15 08:46:59 +08:00

golang

focuxin

2022-09-15 08:52:17 +08:00

Nodejs ，DOM 和 JavaScript 的优势

ciming

2022-09-15 08:53:40 +08:00

前几天好看到一个 nodejs 的爬虫框架
https://crawlee.dev/

bl4ckoooooH4t

2022-09-15 09:13:30 +08:00

我这的做法是把要抓取的 url 放 redis ，Python 多线程从 redis 取任务爬取，结果通过 kafka 给下游解析。可以分布式部署。目前 3 台机器，带宽在 50MB~100MB/s 左右，每日爬 200w url 左右。

MEIerer

2022-09-15 09:14:32 +08:00

Python 爬虫大概是最简单的

xz410236056

2022-09-15 09:27:05 +08:00

虽然我是喜欢 golang 的。但是 Python 的库是真他妈强，你数据搞下来不得处理吗，Python 数据处理的库功能是真强。

“pyhon 的异步下载引擎貌似使用不是特别方便”
Python 的逻辑是有需要你开多个进程，同进程内用协程，多线程属于骗自己。

encro

2022-09-15 09:28:52 +08:00

https://github.com/gocolly/colly
https://gitee.com/tikazyq/crawlab

encro

2022-09-15 09:38:15 +08:00

当然 Scrapy 也许仍然是最简单容易的分布式爬虫。

一般的爬虫需要异步吗？
答案是重点要考虑架构异步，而不是程序上的异步。
就是说要考虑分布式任务调度 /并发防重爬 /广度有限 OR 深度优先这样的问题，而不是爬虫代码里面多写几个 await 。

ragnaroks

2022-09-15 09:38:45 +08:00

任何可以调用 chromium 的语言都是最佳

lmshl

2022-09-15 09:41:28 +08:00

不考虑生态的话我觉得是 NodeJS ，7-8 年前我就开始用它写爬虫了
考虑生态的话应该是 Python

tulongtou

2022-09-15 09:45:27 +08:00 via iPhone

自己熟练的才是最佳的

shenjinpeng

2022-09-15 10:01:16 +08:00

十多年前网络小说最火那会, 满大街 PHP 盗版小说网站, 小说内容全是爬虫采集的,

sunwei0325

2022-09-15 10:02:59 +08:00 via iPhone

爬的好的都在里面踩缝纫机呢吧

zzzkkk

2022-09-15 10:06:09 +08:00

@ragnaroks
速度太慢了
一个 chromium 实例最多并发 10 个请求

zbatman

2022-09-15 10:10:30 +08:00

有请八方辩手入场

v2yllhwa

2022-09-15 10:13:29 +08:00 via Android

@xz410236056 python io 时释放 gil 锁，多线程爬虫也还好吧

kaiger

2022-09-15 10:14:04 +08:00

scrapy 我感觉挺简单的

wangtian2020

2022-09-15 10:14:36 +08:00

最佳的爬虫语言是你最擅长最熟悉的语言
因为我只会 nodejs ，随意就是它了

tzar

2022-09-15 10:16:04 +08:00

无意义的问题

zhuangzhuang1988

2022-09-15 10:19:36 +08:00

熟悉啥语言用啥。

dcsuibian

2022-09-15 10:36:07 +08:00

我觉得是 Node.js ，毕竟 web 本来就是 js 的主战场
1 、对 JSON 的处理好得不得了（毕竟就是来源于 js 的）
2 、方便处理 DOM ，这基本就是前端的工作
3 、异步支持极好（因为 js 的单线程特性，不异步就卡死了）
4 、部分网页的 DOM 其实是 js 生成的，如果你选的就是 js ，那么会比较熟悉
5 、puppeteer 、playwright 这种爬虫杀手锏，都是优先支持 js 的

我是先学的 Python 的 Scrapy ，然后又用了 Node.js 。
我感觉 Node.js 不需要什么爬虫框架，直接 axios 请求下来，然后 cheerio 解析就好了。（最主要是可以复用写前端的经验）

唯有对速度不敢确定，因为我都限制请求频率的，怕踩缝纫机

Dganzh

2022-09-15 10:36:58 +08:00

写 Go 的人喜欢造轮子，是时候造一个大而全的爬虫框架了

wxf666

2022-09-15 10:47:44 +08:00

@dfgddgf 你每秒要爬多少网页啊？

要不你放点要爬的网页出来？可能有热心观众给出自己的爬法，和爬取速度统计

CodeSorcerer

2022-09-15 10:49:56 +08:00

用 PHP 的话 https://github.com/kiddyuchina/Beanbun 这个是基于 Workerman 的爬虫框架
或者使用 swoole 的一些框架也 OK

wxf666

2022-09-15 10:57:36 +08:00

@dfgddgf 毕竟能了解这么多语言生态各自的爬虫方案的网友，可能不多

估计给出同一具体场景，各位网友给出自认为最好的方案，最后才容易对比

placeholder

2022-09-15 11:01:19 +08:00

要做爬虫就先用当前技术栈做呗，性能差能差到哪去，

你给性能整上去了给人网站干崩了，你性能再好有屁用

反正都是偷着爬，最多尊重一下 robots 文件

Aumujun

2022-09-15 11:05:49 +08:00

单站爬虫的速度倒是其次，能取到数据就是最好的结果，慢点都无所谓；也就是用啥都一样，性能要求不会太高（至少没有高到你换语言的程度）

815979670

2022-09-15 11:07:00 +08:00

php 有一个 querylist 用起来还挺方便的写数组就行了 http://querylist.cc/

777777

2022-09-15 11:19:43 +08:00

golang ，我们现在日均 1500w 网站

herozzm

2022-09-15 11:19:47 +08:00

我觉得是 go ，多线程完美匹配多线程爬虫

Jirajine

2022-09-15 11:31:01 +08:00

爬虫这种经常变化的场景，不宜用静态语言，尤其不宜用 rust 这种类型严格的静态语言。

haolongsun

2022-09-15 12:38:38 +08:00

如果真的有时间来学习的话，就 all in rust 吧，rust 的网络库质量非常的高，库的作者专门研究 http 的.

kkocdko

2022-09-15 13:12:09 +08:00

rsshub ，使用 nodejs 的大型（中型）爬虫项目。

we9ta

2022-09-15 13:16:46 +08:00

必须是易语言，不接受反驳

charmToby

2022-09-15 13:25:37 +08:00

上招聘 APP ，搜索关键字爬虫，绝大部分都是 Python 。

terranboy

2022-09-15 13:50:54 +08:00

一般的随便什么语言都一样，要爬真正有价值的内容还得整合浏览器进去，想要性能就得堆机器

iwh718

2022-09-15 14:05:13 +08:00 via Android

perl

zzzkkk

2022-09-15 14:25:16 +08:00

@815979670
用 puppeteer 写了个爬虫美区 3000 个 lambda 用 php guzzlehttp 根本起不来 3000 个链接
最后用 aws go client 解决了
php 真的步 per 后尘了

dfgddgf

2022-09-15 14:39:20 +08:00

@zzzkkk guzzle 看了一些源代码，底层貌似没有依赖 c 或者 c++

应该是底层没有设计成高度可靠的组件。

perl 的爬虫模块 mojo::useragent 配合 libEV ，确实很强大。

cygwin 平台并发 50 轻轻松松，而且还保持 http 连接可以复用

sunnysab

2022-09-15 14:54:45 +08:00 via Android

还真用 rust 写过爬虫，是先拿 Python 做原形，然后用 rust 重写。rust 的网页解析性能和浏览器相当，但是 python 明显慢多了（数秒，不可接受）。
不过 rust 里解析 HTML 的代码不好看，也不排除是我思想没转过弯用了太多 unwrap()。😂😂

Cbdy

2022-09-15 14:56:02 +08:00 via Android

我只知道 Google 搜索引擎的爬虫主要是 C++和 Java 写的

zzzkkk

2022-09-15 15:02:20 +08:00

@dfgddgf
perl 已死倒闭了活该 there is more than one way to do it ，不要说控制结构连变量在不同 context 都取不同的值增加码农的大脑负担

zzzkkk

2022-09-15 15:04:15 +08:00

@sunnysab
rust 写解析代码生成 dom 树？
私以为单纯的 html 选择器还不够一定要生成 dom 树那样才能获取节点的 parent 节点

wxf666

2022-09-15 15:13:35 +08:00

@sunnysab 你 python 用啥做 html 的 parser ？ lxml 的速度也不够吗？

yekern

2022-09-15 15:28:29 +08:00

php querylist 可以写好规则就可以了. 同时可以支持插件扩展, 支持无头浏览器

laravel

2022-09-15 15:35:03 +08:00

我在用 nodejs 写爬虫，用 puppeteer cheerio axios 这些库，都是针对特定网站写爬虫。

buyan3303

2022-09-15 16:05:43 +08:00

熟悉哪种编程语言，就用哪种语言的爬虫框架。

多数学 python 的人，使用的是 scrapy 。python 以及 scrapy 有较为丰富的教程，我曾经就一边看着某课网的爬虫实战教程，一边自己学着爬虾米音乐，即使有些内容不适配，但是那个实战教程，从采集到入库一成套都教了，还教了 xpath lxml 匹配失败的原因之类的东西。

shyling

2022-09-15 16:07:45 +08:00

爬虫种类多啊。。

爬量的和爬有保护的内容的不一样

fuxkcsdn

2022-09-15 16:13:58 +08:00

反正不是 python 就对了，python 除了 bs 库比较好用外，并没看出有啥特别的优势
加上现在 cdp 协议的普及，很多反爬还是得靠 cdp 来实现，cdp 就是 nodejs 的地盘了

ljtnine

2022-09-15 16:18:27 +08:00

aiohttp

www5070504

2022-09-15 16:29:40 +08:00

肯定是库多省事的那个爬虫性能大多数浪费在 io 上啥语言性能也不会有明显优势

zzl22100048

2022-09-15 16:47:13 +08:00

@ljtnine aiohttp 这个库 bug 太多了

xieren58

2022-09-15 18:01:16 +08:00

nodejs + playwright + cheerio, 谁使用谁知道. (刑

ljtnine

2022-09-15 18:21:55 +08:00

@zzl22100048 啊？我用这个库写过一个简单的爬虫，还没遇到过问题

wxf666

2022-09-15 18:32:52 +08:00

@zzl22100048 有啥 bug 吗？我用这个库爬了好多小说了

@dfgddgf 我提供一个 Python 异步 + 多线程的数据：

环境：Redmi Note 5 （高通骁龙 636 ）的 Linux Deploy 里，Debian 11 arm64 ，Python 3.10 ，百兆 WIFI ，电池供电

流程：sqlite3 读取网址，aiohttp 并发下载多个章节，json 解析，每本书所有章节合并成一个 json ，编码成 UTF-16 ，多线程 lzma 压缩，每一千本保存一个 tar

速度：峰值 700 章节 /秒（每个章节需下载一个页面，大约在凌晨 3 点 ~ 7 点）