Perl语言的特点和数据采集示例

Perl是一种通用的高级开源编程语言，具有简洁易读的语法，可用于完成各种任务，从处理文本文件到语音识别。它具有出色的文本处理能力，可用于文本操作、基于正则表达式的模式匹配、原地文件编辑、日志文件分析以及将文件转换为PDF、HTML或XML格式。Perl还可用于编写通用网关接口（CGI）程序，因为它可以处理二进制文件。
Perl的特点包括：

• 借鉴了其他编程和脚本语言，如C和Shell。
• 继承了C语言的很多特性，包括变量、语句、表达式、控制结构和子程序。
• 借鉴了Shell脚本的一些特性，如使用前导符号（如$，#，@）和方便的内置函数（如sort）。
• 是一种松散类型的语言，可以自动推断变量的数据类型并自动管理内存。
• 支持类型转换，可以改变对象的数据类型，如将字符串转换为数字。
• 跨平台，并且与HTML、XML等标记语言兼容。
• 拥有完善的生态系统，提供超过25000个开源模块供使用。

与Python相比，Perl有以下区别：

• Perl更注重灵活性和表达力，Python更注重简洁性和一致性。
• Perl更适合处理文本和正则表达式，Python更适合处理数据结构和算法。
• Perl有多种方法可以实现同一个功能，Python有一种最佳实践（The Zen of Python）。
• Perl使用分号和花括号来结束语句和定义代码块，Python使用缩进来组织代码结构。

下面用Perl写一个爬虫程序，采集https://weibo.com的TOP10热搜：

use strict;
use warnings;
use LWP::UserAgent;
use Thread::Pool;
use HTTP::Proxy;
use PDF::API2;

# 亿牛云代理
# 爬虫加强版 设置代理服务器的主机、端口、用户名和密码
my $proxy_ip = 'www.16yun.cn';
my $proxy_port = '31000';
my $proxy_username = '16YUN';
my $proxy_password = '16IP';

# 随机 User-Agent 列表
my @user_agents = (
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:89.0) Gecko/20100101 Firefox/89.0',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 11_4) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/14.1.1 Safari/605.1.15'
);

# 创建 UserAgent 对象
my $ua = LWP::UserAgent->new();

# 设置代理服务器
my $proxy = HTTP::Proxy->new(
    host => $proxy_ip,
    port => $proxy_port,
    proxy_user => $proxy_username,
    proxy_pass => $proxy_password
);

# 创建线程池
my $pool = Thread::Pool->new(
    {
        workers => 5,    # 设置线程数
        do => \&process_url,    # 处理函数
    }
);

# 采集热搜数据
my $url = 'https://weibo.com';
my $response = $ua->get($url);
if ($response->is_success) {
    my $content = $response->decoded_content;
    my $pdf = PDF::API2->new();
    while ($content =~ m/(.*?)<\/a>.*?<\/h3>.*?(.*?)<\/span>/sg) {
        my $rank = $1;
        my $title = $2;
        my $clicks = $3;
        $pool->add($rank, $title, $clicks, $pdf);
    }
    # 保存为 PDF 文件
    $pdf->save('hot_searches.pdf');
    $pdf->end();
}
else {
    die "Failed to retrieve content: " . $response->status_line;
}

# 等待线程池中的任务完成
$pool->join();

sub process_url {
    my ($rank, $title, $clicks, $pdf) = @_;
    # 在这里可以对热搜数据进行分析和处理
    # 将结果添加到 PDF 文件中
    my $page = $pdf->page();
    my $font = $pdf->corefont('Helvetica', -encoding => 'latin1');
    my $text = $page->text();
    $text->font($font, 12);
    $text->translate(50, $pdf->height() - 50);
    $text->text("Rank: $rank\nTitle: $title\nClicks: $clicks\n\n");
}

请确保在运行代码之前，您已安装 PDF::API2 模块。您可以使用 CPAN 或其他 Perl 模块管理工具进行安装。使用这段代码，热搜数据将会以 PDF 格式存储在 hot_searches.pdf 文件中。