python - 一般公司做爬虫采集的话常用什么语言

Question

一般公司做爬虫采集的话常用什么语言 在京东搜点书全是有关java的

Answer 1

可以试试 jsoup 这个工具，使用 java 开发的。

Answer 2

现在都开始用node做了吧。 javascript是最懂html的

Answer 3

nodejs +1

Answer 4

nodejs +1

Answer 5

其实我不太同意做了DHT爬虫那位的说法。
不同语言自然会有不同用处。离开环境谈哪个好，哪个不好都是耍流氓。
1，如果是自己做着玩的话，定向爬几个页面，效率不是核心要求的话，问题不会大，什么语言都行的，性能差异不会大。当然，如果碰到十分复杂的页面，正则写的很复杂的话，爬虫的可维护性就会下降。

2，如果是做定向爬取，而目标又要解析动态js。
那么这个时候，用普通的请求页面，然后得到内容的方法肯定不行了，就要一个类似firfox，chrome的js引擎来对js代码做动态解析。这个时候推荐casperJS+phantomjs或slimerJS+phantomjs

3，如果是大规模的网站爬取
这个时候就要考虑到，效率，扩展性，可维护性，等等了。
大规模的爬取涉及的方面很多，比如分布式爬取，判重机制，任务调度。这些问题深入下去哪一个简单了？
语言选取这个时候很重要。

NodeJs：做爬虫效率很高。高并发，多线程编程变成了简单的遍历和callback，内存cpu占用小，要处理好callback。

PHP：各种框架到处有，随便拉个来用都行。但是，PHP的效率真的有问题…不多说

Python:我用python写的比较多，对各种问题都有比较好的支持。scrapy框架很好用，优点多。

我觉得js也不是很适合写…效率问题。没写过，估计会有麻烦一堆。

据我知道的，大公司也有用c++的，总之大多数都是在开源框架上改造。真重新造个轮子的不多吧。
不值。

随手凭印象写的，欢迎指正。

Answer 6

来用 pyspider ，性能不比 scrapy 差，更灵活，带 WEBUI，还支持 JS 抓取哦~
自带 demo 可以随便玩~

Answer 7

硒

Answer 8

nodejs +1

不，我错了。

---

高性能爬虫并不像服务器那样适合并发，而为了效率（减少重复）更适合并行而非并发。

好吧我又错了。

---

并发并行对爬虫而言几乎一样~

---

不，不一样。

算了，nodejs +1。

Answer 9

用python居多，当然java c++也不少。 python来的快，相对于中小规模很有优势，要是大规模就需要优化或者c来重写部分性能瓶颈的代码。

Answer 10

可以试一试python的scrapy