专栏首页python3Python爬虫-01:爬虫的概念及分类

Python爬虫-01:爬虫的概念及分类

目录

  • # 1. 为什么要爬虫?
  • 2. 什么是爬虫?
  • 3. 爬虫如何抓取网页数据?
    • # 4. Python爬虫的优势?
  • 5. 学习路线
  • 6. 爬虫的分类
    • 6.1 通用爬虫:
    • 6.2 聚焦爬虫:

# 1. 为什么要爬虫?

“大数据时代”,数据获取的方式:

  • 大型企业公司有海量用户,需要收集数据来提升产品体验 【百度指数(搜索),阿里指数(网购),腾讯数据(社交)】
  • 数据管理咨询公司: 通过数据团队专门提供大量数据,通过市场调研,问卷调查等
  • 政府/机构提供的公开数据
    • 中华人民共和国统计局
    • World bank
    • Nasdaq
  • 第三方数据平台购买数据
    • 数据堂
    • 贵阳大数据交易平台
  • 爬虫数据

2. 什么是爬虫?


抓取网页数据的程序

3. 爬虫如何抓取网页数据?


首先需要了解网页的三大特征:

  1. 每个网页都有自己的URL(统一资源定位符)来定位
  2. 网页都使用HTML(超文本标记语言)来描述页面信息
  3. 网页都使用HTTP/HTTPS(超文本传输协议)来传输HTML数据

爬虫的设计思路:

  1. 首先确定需要爬取的网URL地址
  2. 通过HTTP/HTTPS协议来获取对应的HTML页面
  3. 提取HTML页面内有用的数据:

a. 如果是需要的数据--保存

b. 如果有其他URL,继续执行第二步

# 4. Python爬虫的优势?

语言

优点

缺点

PHP

世界上最好的语言

对多线程,异步支持不好,并发处理不够

Java

网络爬虫生态圈完善

Java语言本身笨重,代码量很大,数据重构成本高

C/C++

运行效率和性能几乎最强

学习成本很高

python

语法优美,代码简洁,开发效率高,模块多

5. 学习路线


  1. 抓取HTML页面:
  • HTTP请求的处理: urllib, urlib2, requests
  • 处理器的请求可以模拟浏览器发送请求,获取服务器响应的文件
  1. 解析服务器相应的内容:
  • re, xpath, BeautifulSoup(bs4), jsonpath, pyquery等
  • 使用某种描述性语言来给我们需要提取的数据定义一个匹配规则,符合这个规则的数据就会被匹配
  1. 采集动态HTML,验证码的处理
  • 通用动态页面采集: Selenium + PhantomJS:模拟真实浏览器加载JS
  • 验证码处理: Tesseract机器学习库,机器图像识别系统
  1. Scrapy框架:
  • 高定制性,高性能(异步网络框架twisted)->数据下载快
  • 提供了数据存储,数据下载,提取规则等组件
  1. 分布式策略:
  • scrapy redis:在scarpy基础上添加了以redis数据库为核心的一套组件,主要在redis做请求指纹去重、请求分配、数据临时存储
  1. 爬虫、反爬虫、反反爬虫之间的斗争:
  • User-Agent, 代理, 验证码, 动态数据加载, 加密数据

6. 爬虫的分类


6.1 通用爬虫:

1.定义: 搜索引擎用的爬虫系统 2.目标: 把所有互联网的网页爬取下来,放到本地服务器形成备份,在对这些网页做相关处理(提取关键字,去除广告),最后提供一个用户可以访问的借口

3.抓取流程:

a) 首先选取一部分已有的URL, 把这些URL放到带爬取队列中

b) 从队列中取出来URL,然后解析NDS得到主机IP,然后去这个IP对应的服务器里下载HTML页面,保存到搜索引擎的本地服务器里,之后把爬过的URL放入已爬取队列

c) 分析网页内容,找出网页里其他的URL连接,继续执行第二步,直到爬取结束

4.搜索引擎如何获取一个新网站的URL:

  1. 主动向搜索引擎提交网址: https://ziyuan.baidu.com/linksubmit/index
  2. 在其他网站设置网站的外链: 其他网站上面的友情链接
  3. 搜索引擎会和DNS服务商进行合作,可以快速收录新网站

5.通用爬虫注意事项 通用爬虫并不是万物皆可以爬,它必须遵守规则: Robots协议:协议会指明通用爬虫可以爬取网页的权限

我们可以访问不同网页的Robots权限

6.通用爬虫通用流程:

7.通用爬虫缺点

  1. 只能提供和文本相关的内容(HTML,WORD,PDF)等,不能提供多媒体文件(msic,picture, video)及其他二进制文件
  2. 提供结果千篇一律,不能针对不同背景领域的人听不同的搜索结果
  3. 不能理解人类语义的检索
  4. 聚焦爬虫的优势所在

DNS 域名解析成IP: 通过在命令框中输入ping www.baidu.com,得到服务器的IP

6.2 聚焦爬虫:

爬虫程序员写的针对某种内容的爬虫-> 面向主题爬虫,面向需要爬虫

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爬虫教程-34-分布式爬虫介

    这是经典的主从分布式爬虫结构图,图中的控制节点ControlNode就是上面提到的master,爬虫节点SpiderNode就是上面提到的slave。下面这...

    py3study
  • python3爬虫之开篇

      折腾爬虫也有一段时间了,从一开始的懵懵懂懂,到现在的有一定基础,对于这一路的跌跌撞撞,个人觉得应该留下一些文字性的东西,毕竟好记性不如烂笔头,而且毕竟这是吃...

    py3study
  • python爬虫了解第一篇

    py3study
  • Python爬虫开发与项目实战

    随着大数据时代到来,网络信息量也变得更多更大,基于传统搜索引擎的局限性,网络爬虫应运而生,本书从基本的爬虫原理开始讲解,通过介绍Pthyon编程语言和Web前端...

    用户3157710
  • 2018-09-08 近况、打算和一些对爬虫工程师的理解近况打算对爬虫工程师的理解

    前阵子把之前在博客上写的所有关于爬虫的文章都搬到了简书,这导致我在简书的文章总字数直接突破了10W,接着一个残酷的出现了:在这之后的很大一段时间内,我的阅读喜欢...

    林清猫耳
  • 找python爬虫小项目?github给你准备好了!

    即使我们都是程序员,但我们也并非都会修电脑,都会做酷炫的ppt,都会优化系统卡顿。其实程序员也是分行业、分专业的,就像医生也分内外科、呼吸科、神经科神的。

    efonfighting
  • 请不要污名化爬虫!

    最近有一篇名为《只因写了一段爬虫,公司200多人被抓!》的文章非常火,相信大家应该都看到了。

    云爬虫技术研究笔记
  • 辟谣错误的爬虫说法,使用正确的爬虫姿势

    那篇文章的故事中提到的,是一家名为「巧达数据」的公司,如果之前有关注过相关新闻的朋友应该不难发现,这个公司实际上在3月份的时候就已经被查封了!

    Python猫
  • Java 网络爬虫,该怎么学?

    在后面的几年工作中,也参与了好几个爬虫项目,但是大多数都是使用 Python ,抛开语言不谈,爬虫也是有一套思想的。这些年写爬虫程序,对我个人的技术成长帮助非常...

    黄泽杰
  • 爬虫篇 | Python爬虫学前普及

    最近整理一个爬虫系列方面的文章,不管大家的基础如何,我从头开始整一个爬虫系列方面的文章,让大家循序渐进的学习爬虫,小白也没有学习障碍.

    叫我龙总

扫码关注云+社区

领取腾讯云代金券