Python爬虫教程(一)：爬虫

1. 爬虫相关概念

1.1 定义

一段根据url爬取网页获取有用信息的程序，使用程序模拟浏览器向服务器发送请求获取响应信息

1.2 核心

• 爬取网页：爬取整个网页，包含网页所有内容
• 解析数据：将网页中的数据进行解析

1.3 难点

爬虫与反爬虫之间的博弈

1.4 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

1.5 分类

• 通用爬虫(无需掌握)：爬取的数据大多是无用的 无法根据用户的需求精准获取数据

  ​ 几乎所有的搜索引擎都是通用爬虫

  ​ 一般过程为：访问网页—>爬取数据—>存储数据—>处理数据—>提供检索服务

  ​ 本应该根据PageRank算法(参考网站流量、点击率等指标)进行排名，现在却通过竞价进行排名

• 聚焦爬虫(需要掌握)：根据需求实现爬虫程序 抓取需要的数据

  ​ 设计思路：

  • 确定爬取的网页——如何获取url
  • 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
  • 解析html字符串(根据一定规则提取需要的数据)——如何解析

1.6 反爬手段

• User-Agent
  User-Agent(用户代理)，简称UA，是一个特殊的字符串头，使得服务器能够识别客户使用的操作系统及其版本、CPU类型、浏览器及其版本、浏览器渲染引擎、浏览器语言、浏览器插件等

• 代理IP
  西次代理
  快代理
  高匿名、匿名和透明代理
  1. 使用透明代理，对方服务器可以知道使用了代理并且也知道真实IP
  2. 使用匿名代理，对方服务器可以知道使用了代理但是不知道真实IP
  3. 使用高匿名代理，对方服务器不知道使用了代理更不知道真实IP

• 验证码访问
  验证码校验，防止爬虫
  反制手段：打码平台——云打码平台

• 动态加载页面
  网站返回的是js数据，而不是网页真实的数据
  反制手段：selenium驱动真实的浏览器发送请求

• 数据加密
  将数据加密返回
  反制手段：分析js代码