爬虫介绍

一、为什么学习爬虫？

处于大数据时代：

企业产生的数据：

大型的公司有大量的用户，每天都会产生大量的数据，

大公司会对数据进行统计和归类，中小型公司也开始收集和整理数据

百度指数、新浪指数、BAT腾讯浏览指数

数据平台：

通过各行各业的数据汇总，会花费大量的人力物力取收集数据

数据堂、贵阳数据平台

政府/机构：

是由地方政府机关单位逐级的上报，最终由国家汇总

中华人民共和国国家统计局数据

数据管理咨询公司：

通过大量的人力整理各行各业的数据，会和其他公司合作和专家合作呈现大量的数据

麦肯锡 埃森哲 艾瑞咨询

爬虫：

如果以上的数据平台不能够满足我们的数据需求的时候，或者说数据的价格非常昂贵，这时我们就可以通过爬虫去获取数据

什么是爬虫？

爬虫：网络爬虫机器人，从互联网自动抓取数据的程序
理论上：通过浏览器看到的数据，我们都能爬到

爬虫的作用：

• 搜索引擎
• 商品比价（惠惠购物助手）
• 知乎数据分析平台（知乎专栏、数据冰山）
• 如何写一个爬虫？

网页的三大特征：

• 每一个网页都有一个唯一的URL（统一资源定位符），来进行定位
• 网页都是通过HTML（超文本）文本展示的
• 所有的网页都是通过HTTP（超文本传输协议）或HTTPS协议来传输的

爬虫的流程：

• 分析网站，得到目标URL

• 根据URL，发起请求，获取页面的HTML源码

• 从页面源码中提取数据：

a、提取到目标数据，做数据的筛选和持久化存储
b、从页面中提取到新的URL地址，继续执行第二步操作

• 爬虫结束：所有的目标URL都提取完毕，并且得到数据了，再也没有其他请求任务了，这时候就看意味着爬虫结束了

爬虫需要掌握的基本知识：

四个阶段(印象笔记)

并不是只有Python写爬虫：

• PHP

用来写后端，对异步和多任务处理不是太好，爬虫是一个工具性的程序，对效率要求比较高

• Java

是Python的竞争对手，Java语言生态系统比较完善，对各模块的支持也比较好,但是Java这门语言是比较笨重的，重构和迭代的成本比较高

• C/C++

同样可以写爬虫，语言比较晦涩，学习的门槛比较高，是一门偏底层的语言，代码成型比较慢

• python

语法简单简洁，第三方的模块比较丰富，关于爬虫的网络请求模块（URL、requests）和网络解析模块（lxml、BeautifulSoup、pyQuery）也比较多，并且有从高效稳定的scrapy网络爬虫框架，以及scrapy_redis分布式爬虫框架，python也是一门胶水语言，对于其他语言的调用也比较方便

爬虫的分类：

• 通用爬虫：

• 是搜索引擎的重要组成部分

• 目的：
  尽可能的将所有的互联网上的网页下载到本地，经过预处理（去噪、分词、去广告等等），最终将数据存储到本地，做一个镜像备份,形成一个检索系统

• 通用爬虫抓取网页的流程：

1、选取一部分的URL作为种子URL，将这些URL放入到带爬去的任务队列里面
2、从带爬取的任务队列中取出URL，发起请求，将获取到的网页源码存储到本地，并将已经爬取过的URL放入已爬取的队列中
3、从已爬取URL的响应结果中，分析提取其他的URL地址，继续添加到待爬取队列中，之后就是不断的循环，知道所有的URL都提取完毕

通用爬虫中的种子URL如何获取

1、通过网站提交自己的网站地址（https://ziyuan.baidu.com/linksubmit/url）

2、搜索引擎会和DNS服务商（DNS服务：将我们的域转换为对应IP的一种技术）合作，拿到最新的网站地址

3、 网站中包含的其他外链

通用爬虫的整体流程：

数据的获取 -> 预处理（分词，去噪，去广告……）-> 存储 -> 提供检索接口|排名（网站排名）

网站排名：

1、根据用户的访问量，网站的流量越多，越靠前

2、竞价排名：谁出价高，谁就排在前面

通用爬虫的缺点：

1、必须遵守robot协议

就是一个规范，告诉搜索引擎，哪些目录下的资源允许爬取，哪些目录下的资源不允许爬取（https://www.taobao.com/robots.txt）

"User-agent"：该项值用来表示是哪家的搜索引擎
"allow":允许被爬取的URL
"disllow"：不允许被爬取的URL

2、搜索引擎返回的都是网页，并且返回的90%的都是无用的数据
3、不能够根据不同的用户的需求或者检索结果返回不同的结果
4、通用爬虫对于媒体的文件不能够获取

• 聚焦爬虫

聚焦补充是面向主题的爬虫，再爬取数据的过程中会对数据进行筛选，往往只会爬虫与需求相关的数据