Python网络爬虫介绍

视频版教程:一天掌握python爬虫【基础篇】 涵盖 requests、beautifulsoup、selenium

什么是网络爬虫?

网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

比如百度 www.baidu.com 搜索引擎的所有检索内容,都是百度的很多蜘蛛去万维网上去抓取,以及进行持久化存储,用户通过百度搜索框,输入想要搜索的内容,百度服务器再通过算法检索出最相关,最佳的内容显示给搜索结果页面给用户展示。

网络爬虫的核心工作内容

网络爬核心工作内容是去目标站点爬取网页,将网页中我们需要的内容进行解析,最后保存,比如保存到Excel,数据库等。

网络爬虫的用途

应用场景1:搜索引擎抓取网页信息。 不知道大家对于Google、百度这种搜索引擎的工作原理都了解多少,搜索引擎的首要工作流程就是利用网络爬虫去爬取各个网站的页面。以百度蜘蛛为例,一旦有网站的页面更新了,百度蜘蛛就会出动,然后把爬取的页面信息搬回百度,再进行多次的筛选和整理。最终在大家搜索相关信息的时候,通过排名呈现给大家。可以说,没有网络爬虫,我们使用搜索引擎查询资料的时候,就不会那么便捷、全面和高效。

应用场景2:爬取需要数据进行统计。 冷数据启动时丰富数据的主要工具,新业务开始时,由于刚起步,所以没有多少数据,此时就需要爬取其他平台的数据来填充我们的业务数据。比如说,如果我们想做一个类似大众点评这样的平台,一开始没有商户等信息,就需要去爬取大众,美团等商家的信息来填充数据,比如天眼查,企查查,西瓜数据等等。

应用场景3:出行类软件通过爬虫抢票。 如果问网络爬虫技术应用最多的领域是什么?那一定是出行行业。相信每逢春运或是节假日,大家都用过一些抢票的软件,就为了获得一张机票或者是一张火车票,而这种出行类软件正是运用网络爬虫技术来达到抢票的目的。像抢票软件这样的网络爬虫,会不停地爬取交通出行的售票网站,一旦有票就会点击拍下来,放到自己的网站售卖。如果一定时间内没有人购买,就又会自动退票。然后又通过网站爬虫把票拍下来,到时间又继续退票,如此反复循环。

应用场景4:聚合平台整合信息进行比较。 如今,出现了很多比价平台、聚合电商还有返利平台等等给,这类聚合平台的本质都是提供横向数据比较,聚合服。比如说电商中经常需要有一种比价系统,从各大电商平台,如拼多多,淘宝,京东等抓取同一个商品的价格信息,以给用户提供最实惠的商品价格,这样就需要利用网络爬虫从各大电商平台爬取信息。

应用场景5:爬取个人信用信息 黑产,灰产,风控等,比如我们要向某些资金方申请授信,在资金方这边首先要部署一道风控,来看你的个人信息是否满足授信条件,这些个人信息通常是某些公司利用爬虫技术在各个渠道爬取而来的,当然了这类场景还是要慎用,不然正应了那句话“爬虫用的好,监牢进得早”。

Python的爬虫技术

爬虫的总流程可以理解为:蜘蛛要抓某个猎物-->沿着蛛丝找到猎物-->吃到猎物;即爬取-->解析-->存储;

在爬取数据过程中所需参考工具如下:

请求库:urllib、requests、selenium

解析库:正则、xpath、jsonpath、beautifulsoup、pyquery

存储库:文件、MySQL、Mongodb、Redis……

爬虫框架:Scrapy

你可能感兴趣的:(Python,python,爬虫,开发语言)