为什么写爬虫，我们要选择Python

记得有次发现有些网页抓不下来，开始好久都找不着头脑，废了九牛二虎之力，终于发现是http请求处理的问题。深入代码才看到，http协议的这部分代码都是写这个人自己实现的，只是实现了最基本的协议，也就是，建立socket连接，发送请求，然后通过socket接收数据，解析响应头（response headers）。然而这个响应头连http重定向都没有处理，凡是重定向的响应就都失败了，自然那些网页就抓不下来了。

为了抓到那些响应，我们就不得不继续完善http协议的解析功能，贡献了很多代码。。

为什么要自己实现基本的http协议呢？难道就没有好的第三方库可以用吗？现在想来，那个爬虫也就是看上去能用，听上去高大上，实际上问题很多。

那个网络爬虫程序维护了一两年最终放弃了，后来的爬虫技术都开始用Python来实现了。

现在如果让我实现一个网络爬虫，二话不说，肯定是要用Python。究其原因，可能有已经几点经验和教训跟大家分享一下。

1. 变幻莫测的网络爬虫

写过爬虫，可能都有这么一个感觉，就是昨天跑的好好的爬虫，今天可能就出问题，不work了。这里面的原因可能就是，网页的改版，网站的封锁等等。遇到这种情况，我们就必须在最快的时间内调试找出问题所在，并以最快的速度修复，使其尽快上线跑起来。

2. 随机应变的Python

鉴于上述爬虫复杂的变化，写网络爬虫就必须依赖一个快速开发、灵活的语言，同时又有完整丰富的库支撑。而同时具备这些优点的语言，无疑就是Python了。所以，Python天然就是为爬虫而生，爬虫天然就是择Python而用。

3. 简洁丰富的Python

看到Python和网络爬虫这种天然相连的关系，小猿们不禁要问，Python适合网络爬虫的天然属性都是哪些呢？不急，听老夫慢慢道来。

3.1 简洁的语法

Python的语法非常简单，提倡简洁而不简单，Python开发者的哲学就是“用一种方法，最好是只有一种方法来做一件事”，这种哲学让你写的代码没有太多个人风格，易于让他人看懂你的代码，也让你轻易看懂别人的代码。Python的简洁，也让开发者可以仅用几行代码就实现一个功能，而同样的功能用Java可能要几十行上百行，要用C++可能是几百行。 大家可以试试在Python解释器里面运行import this，来品味一下Python的哲学：

Python简洁的语法，让你实现、修改爬虫都变得轻松起来。也就是说，写起来贼快！人生苦短，何不Python ?

3.2 丰富的Python模块

大家应该已经听说过Python模块（库）的丰富性，或许只是还没有时间和机会接触过那么多而已。“几乎所有你想要的功能Python都有库实现了”。这句话，似乎很狂妄，但满足你90%的需求没问题。所以，大家要记住这句话，在以后的开发过程中，需要什么基本功能了，就不妨先去搜搜、问问，看看是不是已经有人实现了这个功能，并且上传到pypi上了，而你要做到可能仅仅是pip install。同时，也验证一下这句话是不是那么回事儿。

比方说，

我要下载网页就用，

Python标准模块urllib.request，还有好的没话说的第三方开源模块requests 异步http请求的有aiohttp

我要处理网址url就用：

Python自带的模块urllib.parse

我要解析html就用：

基于C语言库的高效率模块lxml, 好用的beautifulsoap。

我要管理网址，记录下载成功的、失败的、未下载的各种url的状态，就用：

Python封装的key-value数据库leveldb

我要用成熟的爬虫框架，就用：

历史悠久的scrapy，后起之秀pyspider。

我要支持javascript和ajax，就用：

浏览器模拟框架Selenium，加上不需要桌面环境跑着Linux服务器上的大名鼎鼎的Google Headless Chrome。

还有个Phantomjs，可惜已经停止开发了。

以上，只是我用过的写网络爬虫需要的一些基本模块，具体实践中需要的基本功能都可以先搜搜看，没准儿就已经有模块支持想要的功能了。还是那句话，“几乎所有你想要的功能Python都有库实现了”。你的工作，就是像搭积木一样，把他们有机结合在一起实现你的业务逻辑。