大数据时代的信息获取
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 requestsfrom 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) |
|---|