爬虫的简单介绍

Urllib

1、什么是互联网爬虫？

如果我们把互联网比作一张大的蜘蛛网，那一台计算机上的数据便是蜘蛛网上的猎物，而爬虫程序就是一只小蜘蛛，沿着蜘蛛网抓取自己想要的数据；

解释1：通过一个程序，根据url(https://www.baidu.com)进行爬取网页，获取有用信息；
解释2：使用程序模拟浏览器，去向服务器发送请求，获取响应信息；

2、爬虫核心？

1、爬取网页：爬取整个页面，包含了网页中所有的内容；
2、解析数据：将网页中你得到的数据，进行解析；
3、难点：爬虫和反爬虫之间的博弈；

怎么去理解爬虫和反爬呢？

其实就好比，你有个喜欢的女孩子，叫做女神，那你和女神表达，这就叫做一个爬虫的过程，那女神拒绝了你，这就叫做反爬，那拒绝你肯定也是有原因的，那你知道了拒绝的点，解决掉，就可以爬取成功了。

3、爬虫的用途？

• 数据分析/人工数据集
• 社交软件冷启动
• 舆情监控
• 竞争对手监控

社交软件冷启动：就比如陌陌那种社交软件刚出来，你给别人发消息，你会发现别人不理你，这是为什么呢？这其实是因为社交软件为了让自己的用户看起来多，使用了爬虫爬取了别人的社交账号，冒充是自己的用户，实际这压根就是个空号，自然是不可能理你的。
竞争对手监控：目前主要的两大购物平台，他们就会互相去爬取对方的数据，然后看看对方的售价即活动之类的，来竞争。

爬虫流量目标行业分布

1、出行

目前我们出行的票都是通过12306购买的，但是，会发现，市场上还是有什么飞猪出行等等购票软件，那这是为什么？
这其实这些软件通过爬虫一直对12306进行数据爬取，以此达到牟利的过程；

2、社交

微博是一个重灾区，将你里面的用户爬取下来，作为我的应用里面的假用户，用户体量给它造高一点，还有文章、话题什么的，用于引流；

3、电商

电商类的就是对竞争对手的一个监控

4、政府部分

这个就可能很多人有疑问了，为啥政府部门使用爬虫也很多呀？
就比如我们的气象局，天气都是从这里发布的，那为什么我qq天气、微软天气等都能查询到天气情况呢？这其实就是通过爬虫对我们的气象局进行了一个数据的爬取过程；

4、爬虫分类

通用爬虫：
    实例：
        百度、360、google、sougou等搜索引擎-----伯乐在线
    功能：
        访问网页->抓取数据->数据存储->数据处理->提供检索服务
    robots协议：
        一个约定俗成的协议，添加robots.txt文件，来说明本网站哪些内容不可以被抓取，起不到限制作用
        自己写的爬虫无需遵守
    网站排名（SEO）：
        1、根据pagerank算法值进行排名（参考个网站流量、点击率等指标）
        2、百度竞价排名
    缺点：
        1、抓取的数据大多是无用的；
        2、不能根据用户的需求来精准获取数据；

这个最明显的就是我们的浏览器了，去搜索一个东西，会出现很多有用没用的东西，这是为啥呢？
这其实按照道理，搜索结果的排名应该是按照pagerank算法来进行推荐，但是现实情况是进行了一个竞价，谁出价高，就谁的东西排名靠前，这种不是我们程序员要学习的。

聚焦爬虫
    功能:
        根据需求，实现爬虫程序，抓取需要的数据
    设计思路：
        1、确定要爬取的url；
            如何获取url
        2、模拟浏览器通过http协议访问url，获取服务器返回的html代码；
            如何访问
        3、解析html字符串（根据一定规则提取需要的数据）
            如何解析

聚焦爬虫就是根据我们的需求去抓取想要的数据，获取指定的东西，不是所有东西都要的。从那一整个网页中获取想要的指定元素，这就是聚焦爬虫。

5、反爬手段？

1、User-Agent:
    User Agent中文名为用户代理，简称UA,它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。
2、代理IP
    西次代理
    快代理
    什么是高匿名、匿名和透明代理？它们有什么区别？
        1、使用透明代理，对方服务器可以知道你使用了代理，并且也知道你的真实IP.
        2、使用匿名代理，对方服务器可以知道你使用了代理，但不知道你的真实IP.
        3、使用高匿名代理，对方服务器不知道你使用了代理，更不知道你的真实IP.
3、验证码访问
    打码平台
        云打码平台
4、动态加载网页 网站返回的是js数据，并不是网页的真实数据
    selenium 驱动真实的浏览器发送请求
5、数据加密
    分析js代码

代理IP:对于一秒钟点击200次，这明显不是人类能够拥有的速度，那么，对于这种，就会进行一个封ip的操作，那ip被封了，就不爬了吗？自然是不可能的，咱换个ip接着淦