zoukankan      html  css  js  c++  java
  • 01-爬虫介绍

    01-爬虫介绍

    1. 什么是爬虫

    网络爬虫是一种按照一定的规则,自动地抓网络信息的程序或者脚本。

    2. 爬虫分类

    1- 通用爬虫:
      通用爬虫是搜索引擎(Baidu、Google、Yahoo等)“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。简单来讲就是尽可能的;把互联网上的所有的网页下载下来,放到本地服务器里形成备分,在对这些网页做相关处理(提取关键字、去掉广告),最后提供一个用户检索接口。
      搜索引擎如何抓取互联网上的网站数据?
        门户网站主动向搜索引擎公司提供其网站的url
        搜索引擎公司与DNS服务商合作,获取网站的url
        门户网站主动挂靠在一些知名网站的友情链接中
     
    2- 聚焦爬虫:
      聚焦爬虫是根据指定的需求抓取网络上指定的数据。例如:获取豆瓣上电影的名称和影评,而不是获取整张页面中所有的数据值。
     
    3- 增量爬虫:
      通过检测网站数据更新的情况,将最新更新出来的数据进行爬取

    3. 爬虫的基本流程

    1- 发起请求
      使用http库向目标站点发起请求,即发送一个Request
      Request包含:请求头、请求体等

    2- 获取响应内容
      如果服务器能正常响应,则会得到一个Response
      Response包含:html,json,图片,视频等

    3- 解析内容
      解析html数据:正则表达式,第三方解析库如Beautifulsoup,pyquery等
      解析json数据:json模块
      解析二进制数据: 以b的方式写入文件

    4- 保存数据
      数据库
      文件

    4. HTTP协议介绍

    HTTP协议(HyperText Transfer Protocol,超文本传输协议)是因特网上应用最为广泛的一种网络传输协议,所有的WWW文件都必须遵守这个标准。

    HTTP是一个基于TCP/IP通信协议来传递数据(HTML 文件, 图片文件, 查询结果等)。

    TCP/IP协议采取分层管理,下图为HTTP协议的通信传输流

    HTTP协议通过请求和响应的交换达成通信

    HTTP请求格式

    HTTP响应格式

  • 相关阅读:
    CF611C New Year and Domino
    CF706C Hard problem (状态机dp)
    CF467C George and Job (dp)
    Vue的响应式系统
    如何更好的使用js?
    关于JS变量和作用域详解
    运算符的应用及流程控制if,switch语句
    js闭包
    js的基础
    js的使用及语法
  • 原文地址:https://www.cnblogs.com/gongniue/p/11262173.html
Copyright © 2011-2022 走看看