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:
- 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。 - 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。 - 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。 - 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