人工智能|大数据时代的信息获取

欢迎点击「算法与编程之美」↑关注我们!

本文首发于微信公众号:"算法与编程之美",欢迎关注,及时了解更多此系列文章。

为什么要学习爬虫?

人们最初,信息获取的方式单一,但是获取信息的准确性更加的高。互联网时代,亦是大数据时代。新时代的数据有以下几点基本特征,数据量大、类型繁多、价值密度低、速度快、时效高。所以,我们在获取信息的时候,往往会得到很多的废物信息。就像我想长胖,打开百度一搜,各种各样的内容都会有,甚至有一半的广告。这就是信息量的庞大,不利于我们对信息的分析利用。

为此,爬虫技术就诞生了。来自百度百科的解释:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。爬虫技术就是为了更好给我们提供数据分析。

Python是爬虫最强大的语言要掌握爬虫这个技术,有很长的路要走,主要会用到:

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);

6. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争。

爬虫分类

爬虫通常分为以下几类:

基本思路

爬虫的基本思路:

示例

import requests from bs4 import BeautifulSoup #确定待爬取url url=" http://www.mafengwo.cn/wenda/ " #网页请求 response=requests.get(url) response.encoding='utf-8' html=response.text #问答标题提取 soup=BeautifulSoup(html,features="lxml") title=soup.select('div class').get_text() #结果存储 with open('topic.txt','w',encoding='utf-8')as f: f.write(title)

附:

Python爬虫涉及的第三方库:Beautiful Soup。关于该库的基本知识及安装方法,详见同期文章《人工智能|库里那些事儿》

更多精彩文章:

算法|从阶乘计算看递归算法

算法|字符串匹配(查找)-KMP算法

JavaScript|脚本岂能随意放置

开发|优秀的Java工程师的“对象”一定不错

谈一谈|2019蓝桥杯回顾与分享

where2go 团队

微信号:算法与编程之美

长按识别二维码关注我们!

温馨提示:点击页面右下角“写留言”发表评论,期待您的参与!期待您的转发!

原文发布于微信公众号 - 算法与编程之美(algo_coding)

原文发表时间:2019-04-11

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。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券