1、爬虫是什么&概念&用途
爬虫就是“自动化”,”批量“的爬取网页的资源(如数据,图片,音频,视频等等),能够帮助我们收集很多有价值的数据和网页资源,被广泛运用在人工智能训练模型的数据爬取、大数据分析前的数据累积、商业数据价值的挖掘、搜索引擎(如百度,谷歌)、各种需要数据的采集业务,也因此诞生了很多工作岗位,和外包项目,成为了很多想要高薪就业和副业的必学技术之一。
2、爬虫的通用实现思路
2.1、构造请求,获取网页服务器的响应资源
既然是要爬取网页的资源,那么我们就得和网页后面的服务器进行一定的交互,以达到我们获取网页资源的目的,那么第一步就是,构造请求,得到网页服务器的响应。通常我们会使用urllib、requests、scrapy来帮助我们完成请求操作。
2.2、提取数据,拿到我们所需求的网页资源
请求得到的响应资源,多且复杂,我们所需要得到的其实只有一小部分,所以我们要对前面得到的网页资源,数据进行一定的筛选,提取。通常我们会使用到xpath,正则表达式,css选择器,bs4等方法和python模块进行筛选提取操作。
2.3、保存数据,将数据持久化保存
前面提取到的数据仅仅是在内存,我们会需要将它们持久化存储,或是保存至txt文本文件,或是保存至execl数据表、各种数据库等等,可根据个人需求进行持久化保存。