595
gooseeker集搜客
Python即時網絡爬蟲項目啟動說明
作為酷愛編程的老程序員，實在按耐不下這個衝動，Python真的是太火了，不斷撩撥我的心。
我是對Python存有戒備之心的，想當年我基於Drupal做的係統，使用php語言，當語言升級了，推翻了老版本很多東西，不得不花費很多時間和精力去移植和升級，至今還有一些隱藏在某處的代碼埋著雷。我估計Python也避免不了這個問題（其實這種聲音已經不少，比如Python 3 正在毀滅 Python）。
但是，我還是啟動了這個Python即時網絡爬蟲項目。我用C++、Java和Javascript編寫爬蟲相關程序超過10年，要追求高性能，非C++莫屬，同時有完善的標準體係，讓你和你的係統十分自信，隻要充分測試，就能按照預期的方式運行。在GooSeeker項目中，我們不斷向一個方向努力——“收割數據”，而且讓廣大用戶（不僅是專業的數據采集用戶）都能體驗到收割互聯網數據的快感。“收割”的一個重要含義就是大批量。現在，我要啟動“即時網絡爬蟲”，目的是要補充“收割”沒有覆蓋的場景，我看到的是：
- 在係統層麵：“即時”代表快速部署數據應用係統
- 在數據流層麵：“即時”代表采集數據到數據使用是即時的，單個數據對象可以獨自全流程處理，不用等待一批存入數據庫，然後從數據庫中拿出來用
- “即時”另一個含義就是網絡爬蟲是一個嵌入模塊，跟整個信息處理係統集成在一起
一眾程序員都在玩Python網絡爬蟲，我擬定了一個計劃：建立一個模塊化更強的軟件部件，專門解決最耗費精力的內容提取問題（有人總結說大數據和數據分析整個鏈條上，數據準備占了80%工作量，我們不妨延展一下，網絡數據抓取的工作量有80%是在為各種網站的各種數據結構編寫抓取規則）。
我把他想象成一個小機器（見上圖），輸入的是原始網頁，輸出的是提取出來的結構化的內容，這個小機器還有一個可替換部件：將輸入轉化成輸出結構的一個指令塊，我們成為“提取器”，讓大家不再為調試正則表達式或者XPath而苦惱。
這是一個開放的項目，兩年前啟動了一個手機上的即時網絡爬蟲項目，因為是給某商業集團開發的，所以不便開放，同樣的思想和方法將開放到這個項目中，而且用當前最熱的python來做，希望大家能共同參與。在執行過程中，我們會開放所有資料和成果、已經遇到的坑。
近期做的實驗是：
- Python使用xslt提取網頁數據
- Python爬蟲使用Selenium+PhantomJS抓取Ajax和動態HTML內容
若有疑問可以或
最後更新：2017-01-09 14:08:09