zoukankan      html  css  js  c++  java
  • python爬虫入门笔记--爬虫简介

    、爬虫:写程序,然后去互联网上抓取数据的过程
    互联网:网,有好多a连接组成,王的节点就是每一个a链接,url(统一资源定位符)
    通用爬虫,聚焦爬虫
            通用爬虫:百度 360 搜狐 bing 。。。
            原理:
                    (1)抓取网页
                      (2) 采集数据
                    (3)数据处理
                    (4)提供检索服务
            爬虫:baiduspider
    通用爬虫如何抓取新网站?
             (1)主动提交url
               (2)设置友情链接
             (3)百度会和dns服务商合作,抓取新网站
    检索排名:竞价排名,根据pagerank值、访问量,点击量(seo)
    robots.txt
                如果不想让爬虫爬取,可以编写robots.txt,这个协议只是口头上的协议。自己写的爬虫程序不需要遵从。
              聚焦爬虫:
                    根据特定的需求,抓取指定的数据
                    思路?
                            代替浏览器上网!
                网页的特点:
                        (1)网页都有自己的唯一的url
                        (2)网页内容都是html结构
                         (3)使用的都是http,https协议
                爬取步骤:
                (1)给一个url
                (2)写程序,模拟访问浏览器url
                (3)解析内容,提取数据
              环境:windows,linux
               python3.6  64位
            Sublime   pycharm等
        课程内容:
                (1)使用到的库:urllib、requests、bs4.。。
                (2)解析网页内容的知识
                    正则表达式,bs4,xpath,jsonpath
                (3)涉及到动态html
                    selenium+phantomjs,chromeheadless
                (4)scrapy框架
                    高性能框架使用
                (5)scrapy-redis组件
                    redis,分布式爬虫
                (6)涉及到的爬虫-反爬虫--反反爬虫的一些内容
                    Ua ,代理,验证码,动态页面等

  • 相关阅读:
    Windows Server 设置自动登陆
    Kettle学习笔记(四)— 总结
    Kettle学习笔记(一)— 环境部署及运行
    Web项目自动打开并且全屏
    数据库SQL Server 2016“功能选择”详细说明及精简安装选择
    kettle学习笔记(三)— 定时任务的脚本执行
    Kettle学习笔记(二)— 基本操作
    effective C++ 条款 54:让自己熟悉包括TR1在内的标准程序库
    [转]基于MFC的ActiveX控件开发
    effective C++ 条款 50:了解new和delete的合理替换时机
  • 原文地址:https://www.cnblogs.com/zhahu/p/11931425.html
Copyright © 2011-2022 走看看