Question

各种语言写网络爬虫有什么优点缺点

Answer 1

我用 PHP 和 Python 都写过爬虫和正文提取程序。
最开始使用 PHP 所以先说说 PHP 的优点：
1.语言比较简单，PHP 是非常随意的一种语言。写起来容易让你把精力放在你要做的事情上，而不是各种语法规则等等。
2.各种功能模块齐全，这里分两部分：
1.网页下载：curl 等扩展库;
2.文档解析：dom、xpath、tidy、各种转码工具，可能跟题主的问题不太一样，我的爬虫需要提取正文，所以需要很复杂的文本处理，所以各种方便的文本处理工具是我的大爱。;
总之容易上手。

缺点：
1.并发处理能力较弱：由于当时 PHP 没有线程、进程功能，要想实现并发需要借用多路服用模型，PHP 使用的是 select 模型。实现其来比较麻烦，可能是因为水平问题我的程序经常出现一些错误，导致漏抓。

再说说 Python：
优点：
1.各种爬虫框架，方便高效的下载网页;
2.多线程、进程模型成熟稳定，爬虫是一个典型的多任务处理场景，请求页面时会有较长的延迟，总体来说更多的是等待。多线程或进程会更优化程序效率，提升整个系统下载和分析能力。
3.GAE 的支持，当初写爬虫的时候刚刚有 GAE，而且只支持 Python ，利用 GAE 创建的爬虫几乎免费，最多的时候我有近千个应用实例在工作。

缺点：
1.对不规范 HTML 适应能力差：举个例子，如果一个页面里面同时有 GB18030 字符集的中文和 UTF-8 字符集的中文，Python 处理起来就没有 PHP 那么简单，你自己需要做很多的判断工作。当然这是提取正文时的麻烦。

Java 和 C++ 当时也考察过，相对脚本语言比较麻烦，所以放弃。

总之，如果开发一个小规模的爬虫脚本语言是个各方面比较有优势的语言。如果要开发一个复杂的爬虫系统可能 Java 是个增加选项， C++ 我感觉写个模块之类的更加适合。对于一个爬虫系统来说，下载和内文解析只是基本的两个功能。真正好的系统还包括完善的任务调度、监控、存储、页面数据保存和更新逻辑、排重等等。爬虫是一个耗费带宽的应用，好的设计会节约大量的带宽和服务器资源，并且好坏差距很大。

Answer 2

理论上应该是用汇编语言写最好，不过最复杂，其次应该是OC语言写，因为苹果是高度软硬件结合的，里面的GCD是根据苹果电脑量身定做的，所以用OC写网络爬虫，理论上速度可以很快也可以充分发挥电脑的性能。然后是C与C++，好像可以调度显卡OPENGL的接口，可以做到很高程度的并发任务，最后是其他语言。。。大多都是高级语言，如C#是基于C++的，越高级语言写起来越方便，但是运行效率就越低。但是苹果的SWIFT例外吧，毕竟这货是根据苹果系统硬件量身定做的，跟C#、java这些不同，比方说java是为了做到一次编码、到处运行的语言，所以说必须制定一些标准出来给硬件、系统等适应，这些标准不可能追求性能，因为要顾及到性价比，不可能每个人都能用最顶级的CPU、内存等，所以必须做出妥协，一妥协性能就很难追上来了。 国内实力代理ip,稳定高速，来了解