Python即时网络爬虫项目启动说明

做为酷爱编程的老程序员，实在按耐不下这个冲动，Python真的是太火了，不断撩拨个人心。

我是对Python存有戒备之心的，想当年我基于Drupal作的系统，使用php语言，当语言升级了，推翻了老版本不少东西，不得不花费不少时间和精力去移植和升级，至今还有一些隐藏在某处的代码埋着雷。我估计Python也避免不了这个问题（其实这种声音已经很多，好比Python 3 正在毁灭 Python）。

可是，我仍是启动了这个Python即时网络爬虫项目。我用C++、Java和Javascript编写爬虫相关程序超过10年，要追求高性能，非C++莫属，同时有完善的标准体系，让你和你的系统十分自信，只要充分测试，就能按照预期的方式运行。在GooSeeker项目中，咱们不断向一个方向努力——“收割数据”，并且让广大用户（不只是专业的数据采集用户）都能体验到收割互联网数据的快感。“收割”的一个重要含义就是大批量。如今，我要启动“即时网络爬虫”，目的是要补充“收割”没有覆盖的场景，我看到的是：

• 在系统层面：“即时”表明快速部署数据应用系统

• 在数据流层面：“即时”表明采集数据到数据使用是即时的，单个数据 对象能够独自全流程处理，不用等待一批存入数据库，而后从数据库中拿出来用

• “即时”另外一个含义就是网络爬虫是一个嵌入模块，跟整个信息处理系统集成在一块儿

一众程序员都在玩Python网络爬虫，我拟定了一个计划：创建一个模块化更强的软件部件，专门解决最耗费精力的内容提取问题（有人总结说大数据和数据分析整个链条上，数据准备占了80%工做量，咱们不妨延展一下，网络数据抓取的工做量有80%是在为各类网站的各类数据结构编写抓取规则）。

我把他想象成一个小机器（见上图），输入的是原始网页，输出的是提取出来的结构化的内容，这个小机器还有一个可替换部件：将输入转化成输出结构的一个指令块，咱们成为“提取器”，让你们再也不为调试正则表达式或者XPath而苦恼。

这是一个开放的项目，两年前启动了一个手机上的即时网络爬虫项目，由于是给某商业集团开发的，因此不便开放，一样的思想和方法将开放到这个项目中，并且用当前最热的python来作，但愿你们能共同参与。在执行过程当中，咱们会开放全部资料和成果、已经遇到的坑。

近期作的实验是：

• python使用xslt提取网页数据

• Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容