网络爬虫基础知识学习

本文介绍了网络爬虫的基础知识,包括爬虫的定义、分类和法律边界。从初级到高级爬虫工程师的成长路径,涉及前端知识、HTTP协议、数据存储和分布式爬虫。同时强调了爬虫在法律方面的注意事项,如个人信息保护和合法收集使用原则。
摘要由CSDN通过智能技术生成

爬虫

爬虫的定义:网络爬虫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。

爬虫的分类:

  • 通用爬虫 :
    搜索引擎抓取系统的重要组成部分
    通用爬虫的局限性:
  1. 通用搜索引擎所返回的结果都是网页,而大多情况下,网页里 90%的内容对用户来
    说都是无用的。
  2. 不同领域、不同背景的用户往往具有不同的检索目的和需求,搜索引擎无法提供针
    对具体某个用户的搜索结果。
  3. 万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频、视频多媒体
    等不同数据大量出现,通用搜索引擎对这些文件无能为力,不能很好地发现和获取。
  4. 通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。
  • 聚焦爬虫
    定义:: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息

爬虫工程师的进阶之路

初级爬虫工程师

1、web 前端的知识:HTML、CSS、JavaScript、DOM、DHTML、Ajax、jQuery、json
等;
2、正则表达式,能提取正常一般网页中想要的信息,比如某些特殊的文字、链接信息、
知道什么是懒惰,什么是贪婪型的正则;
3、会使用 XPath 等获取一些 DOM 结构中的节点信息;
4、知道什么是深度优先和广度优先的抓取算法及实践中的使用规则;
5、能分析简单网站的结构,会使

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值