什么是Python爬虫？

学习python分布式爬虫-从基础到实战

随着信息化社会的到来，人们对网络爬虫这个词已经不再陌生。但什么是爬虫，如何利用爬虫为自己服务，这些在ICT技术小白听起来又有些高入云端。不用愁，下面一文带你走近爬虫世界，让即使身为ICT技术小白的你，也能秒懂使用Python爬虫高效抓取图片。

什么是专用爬虫？

网络爬虫是一种从互联网抓取数据信息的自动化程序。如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛（程序），沿着网络抓取自己的猎物（数据）。

爬虫可以在抓取过程中进行各种异常处理、错误重试等操作，确保爬取持续高效地运行。它分为通用爬虫和专用爬虫。通用爬虫是捜索引擎抓取系统的重要组成部分，主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份；专用爬虫主要为某一类特定的人群提供服务，爬取的目标网页定位在与主题相关的页面中，节省大量的服务器资源和带宽资源。比如要获取某一垂直领域的数据或有明确的检索需求，此时就需要过滤掉一些无用的信息。

爬虫工作原理

爬虫可以根据我们提供的信息从网页上获取大量的图片，它的工作原理是什么呢？

爬虫首先要做的工作是获取网页的源代码，源代码里包含了网页的部分有用信息；之后爬虫构造一个请求并发送给服务器，服务器接收到响应并将其解析出来。实际上，获取网页——分析网页源代码——提取信息，便是爬虫工作的三部曲。如何提取信息？最通用的方法是采用正则表达式。网页结构有一定的规则，还有一些根据网页节点属性、CSS选择器或XPath来提取网页信息的库，如Requests、pyquery、lxml等，使用这些库，便可以高效快速地从中提取网页信息，如节点的属性、文本值等，并能简单保存为TXT文本或JSON文本，这些信息可保存到数据库，如MySQL和MongoDB等，也可保存至远程服务器，如借助SFTP进行操作等。提取信息是爬虫非常重要的作用，它可以使杂乱的数据变得条理清晰，以便我们后续处理和分析数据。

学习python分布式爬虫-从基础到实战