码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬虫-0:爬虫的概念及分类

时间:2018-12-31 15:43:59      阅读:247      评论:0      收藏:0      [点我收藏+]

标签:url   爬虫   分析   规则   咨询公司   code   就会   第三方   如何获取   

目录

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

技术分享图片

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

技术分享图片技术分享图片

6.通用爬虫通用流程:

技术分享图片

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

技术分享图片

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

Python爬虫-0:爬虫的概念及分类

标签:url   爬虫   分析   规则   咨询公司   code   就会   第三方   如何获取   

原文地址:https://www.cnblogs.com/haochen273/p/10202010.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!