专栏首页python学习指南python爬虫(一)_爬虫原理和数据抓取

python爬虫(一)_爬虫原理和数据抓取

本篇将开始介绍Python原理,更多内容请参考:Python学习指南

为什么要做爬虫

著名的革命家、思想家、政治家、战略家、社会改革的主要领导人物马云曾经在2015年提到由IT转到DT,何谓DT,DT即数据技术,由数据在推倒人们的衣食住行,当今时代是一个大数据时代,数据从何而来?

  • 企业产生的用户数据:百度指数、阿里指数、TBI腾讯浏览指数、新浪微博指数
  • 数据平台购买数据:数据堂、国云数据市场、贵阳大数据交易所
  • 政府机构公开的数据:中华人民共和国国家统计局数据、世界银行公开数据、联合国数据、纳斯达克
  • 数据管理咨询公司:麦肯锡、埃森哲、艾瑞咨询
  • 爬取网络数据:如果需要的数据市场上没有,或者不愿意购买,那么就可以招/做一名爬虫工程师,自己动手丰衣足食。拉勾网Python爬虫职位

爬虫是什么?

百度百科:网络爬虫

关于Python爬虫,我们需要学习的有:

  1. Python基础语法学习(基础知识)
  2. HTML页面的内容抓取(数据抓取)
  3. HTML页面的数据提取(数据清洗)
  4. Scrapy框架以及scrapy-redis分布式策略(第三方框架)
  5. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争。。。。

通用爬虫和聚焦爬虫

网络爬虫可分为通用爬虫聚焦爬虫两种。

通用搜索引擎(Search Enging)工作原理

通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着整个引擎系统的内容是否丰富,信息是否及时,因此其性能的优劣直接影响着搜索引擎的效果。

第一步:抓取网页

搜索引擎网络爬虫的基本工作流程如下:

  1. 首先选取一部分的种子URL,将这些URL放入待抓取URL队列;
  2. 取出待抓取URL,解析DNS得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中,并且将这些URL放进已抓取URL队列。
  3. 分析已抓取URL队列中的URL,分析其中的其它URL,并且将URL放入待抓取URL队列,从而进入下一个循环。。。

搜索引擎如何获取一个新网站的URL:

  1. 新网站向搜索引擎主动提交网址:(百度:http://zhanzhang.baidu.com/linksubmit/url)
  2. 在其他网站上设置一个新网站链接(尽可能处于搜索引擎爬虫爬取范围)
  3. 搜索引擎和DNS解析服务商(如DNSPod等)合作,新网站域名将被迅速抓取

但是搜索引擎蜘蛛的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容,如标注为nofollow的链接,或者是Robots协议。

Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,例如:

  1. 淘宝网:https://www.taobao.com/robots.txt
  2. 腾讯网:http://www.qq.com/robots.txt

第二步:数据存储

搜索引擎通过爬虫爬取到网页,将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。

第三步:预处理

搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理。

  • 提取文字
  • 中文分词
  • 消除噪音(比如版权申明文字、导航条、广告等...)
  • 索引处理
  • 链接关系计算
  • 特殊文件处理
  • ....

除了HTML文件外,搜索引擎还能抓取和索引以文字为基础的多种文件类型,如PDF、WORD、WPS、PPT、TXT等。我们在搜索结果中也经常会看到这种文件类型。

但搜索引擎还不能处理图片、视频、Flash这类非文字内容,也不能执行脚本和程序。

第四步:提供检索服务,网站排名

搜索引擎在对信息进行组织和处理后,为用户提供关键字检索服务,将用户检索相关的信息展示给用户。

同时会根据页面的PageRank值(链接的访问量排名)来进行网站排名,这样Rank值高的网站在搜索结果中会排名较前,当然也可以直接使用 Money 购买搜索引擎网站排名,简单粗暴。

但是,这些通用搜索引擎也存在着一定的局限性

  1. 通用搜索引擎所返回的结果都是网页,而大多情况下,网页里90%的内容对用户来说都是无用的。
  2. 不同领域、不同背景的用户往往具有不同的检索目的和需求,搜索引擎无法提供针对具体某个用户的搜索结果。
  3. 万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频、视频多媒体等不同数据大量出现,通用搜索引擎对这些文件无能为力,不能很好地发现和获取。
  4. 通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。

针对这些情况,聚焦爬虫技术得以广泛使用

聚焦爬虫

聚焦爬虫,是"面向特定主题需求"的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python爬虫Scrapy(二)_入门案例

    本章将从案例开始介绍python scrapy框架,更多内容请参考:python学习指南 入门案例 学习目标 创建一个Scrapy项目 定义提取的结构...

    用户1174963
  • Python爬虫(二十二)_selenium案例:模拟登陆豆瓣

    本篇博客主要用于介绍如何使用selenium+phantomJS模拟登陆豆瓣,没有考虑验证码的问题,更多内容,请参考:Python学习指南 #-*- co...

    用户1174963
  • Python爬虫(十四)_BeautifulSoup4 解析器

    CSS选择器:BeautifulSoup4 和lxml一样,Beautiful Soup也是一个HTML/XML的解析器,主要的功能也是如何解析和提取HTML/...

    用户1174963
  • 谷歌数据集搜索正式版出炉:全面升级,覆盖2500万数据集

    近日,谷歌宣布,它们的数据集搜索引擎不再是 beta 版了。这意味着该产品已经正式向用户们开放使用。Jeff Dean 和谷歌官方都在推特上宣布了这一消息。

    机器之心
  • python爬虫用代理ip有什么用途?

    数据信息采集离不开Python爬虫,而python爬虫离不开代理ip,他们的结合可以做的事情很多,如搜索引擎、采集数据、广告过滤等,Python爬虫还可以用于数...

    py3study
  • 目录1.智能指针的作用2.智能指针的使用3.智能指针的设计和实现

    C++程序设计中使用堆内存是非常频繁的操作,堆内存的申请和释放都由程序员自己管理。程序员自己管理堆内存可以提高了程序的效率,但是整体来说堆内存的管理是麻烦的,...

    用户1215536
  • 2015中国大数据调研报告发布五大趋势抢先看

    在信息化加速发展的时代了,我们身边的一切正浩浩荡荡地发生着变化,人们的一切生活都开始和互联网挂钩,企业的营销也随之进行着调整。然而在这个时代,企业的营销面临着诸...

    小莹莹
  • AUCell | 识别单细胞对“基因集”的响应

    AUCell可以识别sc-RNA数据中具有活跃基因集或基因模块的细胞,即可以将某个通路的富集情况展现在聚类的细胞上,从而可以鉴定具有特定基因特征的细胞群。 A...

    生信编程日常
  • 一篇文章带你了解网络爬虫的概念及其工作原理

    众所周知,随着计算机、互联网、物联网、云计算等网络技术的风起云涌,网络上的信息呈爆炸式增长。毋庸置疑,互联网上的信息几乎囊括了社会、文化、政治、经济、娱乐等所有...

    Python进阶者
  • Combine-Publisher

    YungFan

扫码关注云+社区

领取腾讯云代金券