网页爬虫(也被称做蚂蚁或者蜘蛛)是一个自动抓取万维网中网页数据的程序.网页爬虫一般都是用于抓取大量的网页,为日后搜索引擎处理服务的.抓取的网页由一些专门的程序来建立索引(如:Lucene,DotLucene),加快搜索的速度.爬虫也可以作为链接检查器或者HTML代码校验器来提供一些服务.比较新的一种用法是用来检查E-mail地址,用来防止Trackback spam.-A web crawler (also known as a web spider or ant) is a program,

中文分词源程序，　中文词法分析是中文信息处理的基础与关键。中国科学院计算技术研究所在多年研究工作积累的基础上，研制出了汉语词法分析系统ICTCLAS(Institute of Computing Technology, Chinese Lexical Analysis System)，主要功能包括中文分词；词性标注；命名实体识别；新词识别；同时支持用户词典。我们先后精心打造五年，内核升级6次，目前已经升级到了ICTCLAS3.0。ICTCLAS3.0分词速度单机996KB/s，分词精度98.45

本书讲解了如何使用P川lOil来编写网络爬虫程序， 内容包括网络爬虫简 介， 从页面中抓取数据的三种方法， 提取缓存中的数据， 使用多个线程和进 程来进行并发抓取， 如何抓取动态页面中的内容， 与表单进行交互， 处理页 面中的验证码问题， 以及使用 Scarpy和Portia 来进行数据抓取， 并在最后使 用本书介绍的数据抓取技术对几个真实的网站进行了抓取， 旨在帮助读者活 学活用书中介绍的技术。 本书适合有一定Python 编程经验， 而且对爬虫技术感兴趣的读者阅读。(This book ex