什么是爬虫
定义
- 网络爬虫:又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者。是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
- 由于专门用于检索信息的“机器人”程序象蜘蛛一样在网络间爬来爬去,因此,搜索引擎的“机器人”程序就被称为“蜘蛛”程序。
历史
- 1990年,蒙特利尔大学学生Alan Emtage发明的Archie,用于搜索分散的FTP主机上的资源。
- 1993年,内华达大学受启发开发了类似工具,但是开始支持网页搜索。
- Martin Koster于1993年10月创建了ALIWEB,它是Archie的HTTP版本。ALIWEB不使用“机器人”程序,而是靠网站主动提交信息来建立自己的链接索引,类似于现在我们熟知的Yahoo。
- Yahoo, Google, Baidu, Bing…
为什么推荐使用Python写爬虫
- 上手容易!!!
- 免费开源,使用不受限制。
- 解释执行,跨平台不受限制。
- 面向对象
- 框架和库支持丰富,有大量的历史积累。
Python开发环境搭建和简介
Python简介
- 官网:https://www.python.org/
- 作者:Guido van Rossum
- 名字来源:Monty Python’s Flying Circus(和蟒蛇无关啊!)
- 作者为什么发明Python:平衡C和Shell
- 版本选择:2.7和3.5,更低版本不推荐使用。2.x和3.x的区别暂时不用关心。
Python环境搭建
- Windows可去官网下载安装包:2.7.12或3.5.2
- Mac
- 系统自带
- 通过homebrew和pyenv安装并维护多个Python版本,参考链接。
- Linux系统自带,或参考上面链接使用pyenv安装并维护多个Python版本
- 使用pip安装第三方包,命令为pip install package(注:Mac下需要打开sudo,参考链接。)
- 新版本Mac系统可能因为SIP,需要在命令行后增加–user参数
- 遇到GFW可以使用国内源(推荐豆瓣),命令行为
pip install package -i --trusted-host http://pypi.douban.com/simple/
HTTP简介
- HTTP = HyperText Transfer Protocol
- URI = Uniform Resource Identifier
- URL = Uniform Resource Locator
- URI和URL的区别:URI强调的是资源,而URL强调的是资源的位置。
常用请求类型
- OPTIONS: 返回服务器针对特定资源所支持的http请求方法。
- HEAD: 向服务器索要与get请求相一致的响应,只不过响应体将不会被返回。
- GET: 向特定资源发出请求
- PUT: 向指定资源位置上传其最新内容
- POST: 向指定资源提交数据进行处理请求
- DELETE: 请求服务器删除指定URI所标识的资源
- PATCH: 用来将局部修改应用于某一资源
HTTP常见状态码
- 200/OK: 请求成功
- 201/Created: 请求已被实现,且一个新资源已根据请求被建立,URI跟随Location头信息返回。
- 202/Accepted: 服务器已接受请求,但尚未处理。
- 400/Bad Request: 请求无法被服务器理解
- 401/Unauthorized: 当前请求需要用户验证
- 403/Forbidden: 服务器已理解请求,但拒绝执行。
- 404/Not Found
HTML/XML/Json简介
HTML (Hypertext Markup Language)
- 推荐教程:HTML
- HTML不是编程语言,而是一种标记语言。即HTML使用标记标签来描述网页。
- 标签和元素
- DOM文档模型
HTML/XML/Json简介
XML (eXtensible Markup Language)
- 推荐教程:XML
- 树结构
HTML/XML/Json简介
Json (JavaScript Object Notation)
- 推荐教程:Json
- 语法类似XML,但是更小、更快、更容易解析。对JavaScript特别友好。
MySQL/SQLite安装配置
MySQL
- Windows:
- 下载免费社区版mysql server。
- 客户端操作可以使用MySQLWorkbench。
- Linux(以debian为例):
- apt-get install mysql-server mysql-client
- 登陆mysql: mysql -p hostname -u username -p,然后使用use dbname指定需要操作的数据库
- 安装phpmyadmin方便在浏览器操作数据库
MySQL/SQLite安装配置
MySQL常用命令
- show databases: 显示当前服务器上的数据库
- create database dbname: 创建一个新数据库
- use dbname: 使用指定的数据库
- show tables: 显示当前数据库的所有表
- desc tbname: 显示表结构
SQLite
- Windows直接去下载可执行文件即可使用,Linux下apt-get install sqlite3即可完成安装。
- 相比mysql更加轻便好用。
- 大数据情况下效率变差,适合单机小程序。
爬虫框架介绍
爬虫工作流程
- 将种子URL放入队列
- 从队列中获取URL,抓取内容。
- 解析抓取内容,将需要进一步抓取的URL放入工作队列,存储解析后的内容
抓取策略
- 深度优先
- 广度优先
- PageRank
- 大站优先策略
如何去重
- Hash表
- bloom过滤器
爬虫质量标准
- 分布式
- 可伸缩性
- 性能和有效性
- 质量
- 新鲜性
- 更新
- 可扩展性
Robots规范与原则
Robots规范
- Robots协议(也称为爬虫协议、机器人协议等)的全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。Robots协议的本质是网站和搜索引擎爬虫的沟通方式,用来指导搜索引擎更好地抓取网站内容,而不是作为搜索引擎之间互相限制和不正当竞争的工具。
- 详情:http://baike.so.com/doc/4854891-5072162.html