该选择哪个语言开发爬虫？

Question

需要开发个采集腾讯、新浪微博的评论数据。
如果直接使用官方提供的API，会有很多数据获取不到。所以可能得自己写了。
我主要是想使用C++来开发的，其次才是PHP。在没办法的情况下，才会考虑使用python进行开发！
网上大概了解了下，很多采集程序都是使用python来开发的。因为python的网络库很多，很丰富，开发起来方便快捷。
PHP的也有个snoopy类库，C++的就不清楚了。
不知道，C++中有没有这方面的爬虫类库推荐呢？

Answer 1

snoopy类库很久以前用过，不过感觉不是很好用。功能一般。
其实爬虫最网页请求那一块比较容易实现，也没有什么好说的。其实最主要是对请求回来的数据处理，分析。
所以我觉得用node.js会是很好的选择。

看看那位童鞋推荐下node.js有什么好的库。

Answer 2

node.js的jquery也不错。。。

Answer 3

建议用node， phamtomjs， node的jQuery， 还有jsdom， node下面很多解析html的包，非常方便

Answer 4

我觉得不是说选择哪个语言，主要是看开发者对哪个语言最熟悉。

Answer 5

如果是我的话，我会用 Node.js

Node.js 有一个 Cheerio 库，用来解析 HTML 效率十分不错。它的 API 风格是类似 jQuery 的。

Answer 6

啥都不说，肯定是python

Answer 7

需要开发个采集腾讯、新浪微博的评论数据。

目的明确了，解决的思路也不难。你的爬虫的主要功能就是

1. 能向服务器进行通信，返回你需要页面的内容
2. 解析页面源码，挖掘出你需要的信息
   python是一个不错的推荐，解决两个问题都有完善的库。
   比如urllib2解决http请求，lxml 解决页面源码的解析(解析成html树)。
   关键步骤就是在解析后生成的html树中，找到所需信息，需要自己完成：
   分析信息在html树中所在的位置，并告诉你的程序去对应位置(利用xpath来定位)抓信息
   写过一个python抓取douban日志名称，URL，评论数，发布时间的爬虫。
   能解决基本的挖掘需要后，再来考虑如何能更快及应对大型数据，目前了解的方法有iterparse方法，多线程等。

p.s
为什么是lxml?参考lxml performance

Answer 8

爬虫基本上就是网页抓去+内容分析了吧。

我也建议选择类库简单丰富的语言，比如Python和Ruby应该都不错。

Ruby可以选择的有Crul，mechanize，nokogiri，hpricot等。

Answer 9

php里有phpQuery，语法和jquery差不多，非常的好用！

Answer 10

Perl
竟然没人推荐..

Answer 11

golang 是个不错的选择

Answer 12

用python吧，你会发现有很多优点。。。

Answer 13

每个语言都可以，基本的爬虫只要涉及到一些HTTP请求和文档解析就能做出来。
Python有Scrapy等框架，上手比较快，可以研究一下。

Answer 14

爬虫无非就是获取网页内容，解析内容，正则出想要的数据，其实对于网页内容获取，任何语言都能获取，注意代理服务器防封IP，并行抓取等技术，个人感觉php 获取网页内容还是不错的，至于解析网页内容，基本上都是DOM的操作，那最佳选择还是nodejs，里边的cheerio很好的解决树形结构数据。

Answer 15

用javascript也可以写爬虫 在云端编写和执行 源码地址：
https://github.com/ShenJianSh...

Answer 16

参考

C/C++ 网络爬虫

Answer 17

推荐Python。有requests等类库。
也有scrapy这样的框架。

Answer 18

python 唯一的好处就是 request 库真的很方便

我以前都是用 php 做爬虫的，现在都改用 python 了

---

其实用 JavaScript 也是很好的，node 或者 phantomJS

因为很多时候你不仅要把 HTML 爬下来，还要解析；而 python 的 DOM 库简直糟糕透顶；比如 BeautifulSoup，很多操作就非常不方便；相比之下，js 进行 DOM 操作就方便多了

Answer 19

弱弱的推荐一下 php 的 goutte

Answer 20

毫不犹豫golang

Answer 21

用python 没有原因

Answer 22

表示采用java，jsoup，http://www.husters.cn/ 抓爬的

Answer 23

1. 有较好地html获取和解析支持。
2. 有较好地并行控制。
3. 方便处理异步任务。
4. 容易开发DSL。（假如你需要用户自定义抓取路径的话。）

以前写过好几个版本的爬虫，供参考。http://niejason.sinaapp.com/?p=66