python爬虫国内外研究现状怎么写_python爬虫入门笔记--爬虫简介

、爬虫:写程序,然后去互联网上抓取数据的过程

互联网:网,有好多a连接组成,王的节点就是每一个a链接,url(统一资源定位符)

通用爬虫,聚焦爬虫

通用爬虫:百度 360 搜狐 bing 。。。

原理:

(1)抓取网页

(2) 采集数据

(3)数据处理

(4)提供检索服务

爬虫:baiduspider

通用爬虫如何抓取新网站?

(1)主动提交url

(2)设置友情链接

(3)百度会和dns服务商合作,抓取新网站

检索排名:竞价排名,根据pagerank值、访问量,点击量(seo)

robots.txt

如果不想让爬虫爬取,可以编写robots.txt,这个协议只是口头上的协议。自己写的爬虫程序不需要遵从。

聚焦爬虫:

根据特定的需求,抓取指定的数据

思路?

代替浏览器上网!

网页的特点:

(1)网页都有自己的唯一的url

(2)网页内容都是html结构

(3)使用的都是http,https协议

爬取步骤:

(1)给一个url

(2)写程序,模拟访问浏览器url

(3)解析内容,提取数据

环境:windows,linux

python3.6  64位

Sublime   pycharm等

课程内容:

(1)使用到的库:urllib、requests、bs4.。。

(2)解析网页内容的知识

正则表达式,bs4,xpath,jsonpath

(3)涉及到动态html

selenium+phantomjs,chromeheadless

(4)scrapy框架

高性能框架使用

(5)scrapy-redis组件

redis,分布式爬虫

(6)涉及到的爬虫-反爬虫--反反爬虫的一些内容

Ua ,代理,验证码,动态页面等

你可能感兴趣的:(python爬虫国内外研究现状怎么写_python爬虫入门笔记--爬虫简介)