1 Robots协议
Robots协议(爬虫协议)全称网络爬虫排除标准,网站通过Robots协议告诉搜索引擎哪些页面可以抓取(Allow:/),哪些不能抓取(Disallow:/)。这个协议是国际互联网界遵守的道德规范。
在进行爬虫时要对自己的爬虫行为自我管理,过快或者过于密集的网络爬虫会对服务器产生巨大的压力。因此要遵守Robots协议,约束爬虫速度;使用爬到的数据时遵守网站的知识产权。
2 Python爬虫的流程
① 获取网页
给网站发送一个请求,网站返回整个网页的数据
② 解析网页(提取数据)
从整个网页的数据中提取想要的数据
③ 存储数据
3 三个流程的技术实现
① 获取网页
基础技术:request、urllib、selenium(模拟浏览器)
进阶技术:多进程多线程抓取、登录抓取、突破IP封禁和服务器抓取
② 解析网页(提取数据)
基础技术:re正则表达式、BeautifulSoup和lxml
进阶技术:解决中文乱码
③ 存储数据
基础技术:存入txt文件和存入csv文件
进阶技术:存入mysql数据库和存入MongoDB数据库