什么是爬虫
解释1:通过一个程序,根据Url(http://www.taobao.com) 进行爬取网页,获取有用信息。
解释2:使用程序模拟浏览器,去向服务器发送请求,获取响应信息。
爬虫核心
1.爬取网页:爬取整个网页 包含了网页中所有得内容。
2.解析数据:将网页中你得到的数据 进行解析。
3.难点:爬虫和反爬虫之间的博弈。
爬虫用途
·数据分析/人工数据集
·社交软件冷启动
·舆情监控
·竞争对手监控
(爬虫在出行行业运用最多,像12306这种网站经常被购票软件光顾。)
爬虫分类
聚焦爬虫
功能
根据需求,实现爬虫程序,抓取需要的数据
设计思路
1.确定要爬取的url
如何获取Url
2.模拟浏览器通过http协议访问url,获取服务器返回的html代码
如何访问
3.解析html字符串(根据一定规则提取需要的数据)
如何解析
通用爬虫:
实例
百度、360、google、sougou等搜索引擎‐‐‐伯乐在线
功能
访问网页‐>抓取数据‐>数据存储‐>数据处理‐>提供检索服务
robots协议
一个约定俗成的协议,添加robots.txt文件,来说明本网站哪些内容不可以被抓取,起不到限制作用 自己写的爬虫无需遵守
网站排名(SEO)
1. 根据pagerank算法值进行排名(参考个网站流量、点击率等指标)
2. 百度竞价排名
缺点
1. 抓取的数据大多是无用的
2.不能根据用户的需求来精准获取数据
(通用爬虫像百度这种搜索引擎并不是靠访问量来对网站进行排名,而是谁给的钱多就排前面,所以没有太大的爬取价值。)
反爬手段
1.User-Agent:
User Agent中文名为用户代理,简称 UA,它是一个特殊字符串头,使得服务器能够识别客户使用的操作系统及版 本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。
2.代理IP
西次代理 快代理 什么是高匿名、匿名和透明代理?它们有什么区别?
1.使用透明代理,对方服务器可以知道你使用了代理,并且也知道你的真实IP。
2.使用匿名代理,对方服务器可以知道你使用了代理,但不知道你的真实IP。
3.使用高匿名代理,对方服务器不知道你使用了代理,更不知道你的真实IP。
3.验证码访问
打码平台
云打码平台
超级🦅
4.动态加载网页
网站返回的是js数据 并不是网页的真实数据 selenium驱动真实的浏览器发送请求
5.数据加密
分析js代码
[]: http://www.taobao.com