1. 为什么要爬虫?
“大数据时代”，数据获取的方式：
- 大型企业公司有海量用户，需要收集数据来提升产品体验
【百度指数（搜索），阿里指数（网购），腾讯数据（社交）】 - 数据管理咨询公司： 通过数据团队专门提供大量数据，通过市场调研，问卷调查等
- 政府/机构提供的公开数据
- 中华人民共和国统计局
- World bank
- Nasdaq
- 第三方数据平台购买数据
- 数据堂
- 贵阳大数据交易平台
- 爬虫数据
2. 什么是爬虫？
抓取网页数据的程序
3. 爬虫如何抓取网页数据？
首先需要了解网页的三大特征：
- 每个网页都有自己的
URL（统一资源定位符）来定位 - 网页都使用
HTML(超文本标记语言)来描述页面信息 - 网页都使用
HTTP/HTTPS（超文本传输协议）来传输HTML数据
爬虫的设计思路：
- 首先确定需要爬取的网
URL地址 - 通过
HTTP/HTTPS协议来获取对应的HTML页面 - 提取
HTML页面内有用的数据：
a. 如果是需要的数据--保存
b. 如果有其他URL，继续执行第二步
4. Python爬虫的优势？
| 语言 | 优点 | 缺点 |
|---|---|---|
| PHP | 世界上最好的语言 | 对多线程，异步支持不好，并发处理不够 |
| Java | 网络爬虫生态圈完善 | Java语言本身笨重，代码量很大，数据重构成本高 |
| C/C++ | 运行效率和性能几乎最强 | 学习成本很高 |
| python | 语法优美，代码简洁，开发效率高，模块多 |
5. 学习路线
- 抓取
HTML页面：
- HTTP请求的处理：
urllib, urlib2, requests - 处理器的请求可以模拟浏览器发送请求，获取服务器响应的文件
- 解析服务器相应的内容:
re, xpath, BeautifulSoup(bs4), jsonpath, pyquery等- 使用某种描述性语言来给我们需要提取的数据定义一个匹配规则，符合这个规则的数据就会被匹配
- 采集动态
HTML，验证码的处理
- 通用动态页面采集：
Selenium + PhantomJS:模拟真实浏览器加载JS - 验证码处理:
Tesseract机器学习库，机器图像识别系统
Scrapy框架:
- 高定制性，高性能（异步网络框架
twisted）->数据下载快 - 提供了数据存储，数据下载，提取规则等组件
- 分布式策略：
scrapy redis：在scarpy基础上添加了以redis数据库为核心的一套组件,主要在redis做请求指纹去重、请求分配、数据临时存储
- 爬虫、反爬虫、反反爬虫之间的斗争:
User-Agent,代理,验证码,动态数据加载,加密数据
6. 爬虫的分类
6.1 通用爬虫:
1.定义： 搜索引擎用的爬虫系统
2.目标： 把所有互联网的网页爬取下来，放到本地服务器形成备份，在对这些网页做相关处理（提取关键字，去除广告），最后提供一个用户可以访问的借口
3.抓取流程：
a) 首先选取一部分已有的URL， 把这些URL放到带爬取队列中
b) 从队列中取出来URL，然后解析NDS得到主机IP，然后去这个IP对应的服务器里下载HTML页面，保存到搜索引擎的本地服务器里，之后把爬过的URL放入已爬取队列
c) 分析网页内容，找出网页里其他的URL连接，继续执行第二步，直到爬取结束
4.搜索引擎如何获取一个新网站的URL：
- 主动向搜索引擎提交网址： https://ziyuan.baidu.com/linksubmit/index
- 在其他网站设置网站的外链： 其他网站上面的友情链接
- 搜索引擎会和DNS服务商进行合作，可以快速收录新网站
5.通用爬虫注意事项
通用爬虫并不是万物皆可以爬，它必须遵守规则：
Robots协议：协议会指明通用爬虫可以爬取网页的权限
我们可以访问不同网页的Robots权限
6.通用爬虫通用流程：
7.通用爬虫缺点
- 只能提供和文本相关的内容(HTML,WORD,PDF)等，不能提供多媒体文件(msic,picture, video)及其他二进制文件
- 提供结果千篇一律，不能针对不同背景领域的人听不同的搜索结果
- 不能理解人类语义的检索
- 聚焦爬虫的优势所在
DNS 域名解析成IP: 通过在命令框中输入ping www.baidu.com，得到服务器的IP
6.2 聚焦爬虫：
爬虫程序员写的针对某种内容的爬虫-> 面向主题爬虫，面向需要爬虫