Python爬虫的基本概念、分类、学习路线以及爬取数据思路_python爬虫和数据分析方向(2)

抓取网页数据的程序

爬虫如何抓取网页数据？

首先需要了解网页的三大特征：

1. 每个网页都有自己的URL（统一资源定位符）来定位
2. 网页都使用HTML(超文本标记语言)来描述页面信息
3. 网页都使用HTTP/HTTPS（超文本传输协议）来传输HTML数据

爬虫的设计思路：

1. 首先确定需要爬取的网URL地址
2. 通过HTTP/HTTPS协议来获取对应的HTML页面
3. 提取HTML页面内有用的数据：

a. 如果是需要的数据–保存

b. 如果有其他URL，继续执行第二步

Python爬虫的优势？

学习路线

抓取HTML页面：

• HTTP请求的处理： urllib, urlib2, requests
• 处理器的请求可以模拟浏览器发送请求，获取服务器响应的文件

解析服务器相应的内容:

• re, xpath, BeautifulSoup(bs4), jsonpath, pyquery等
• 使用某种描述性语言来给我们需要提取的数据定义一个匹配规则，符合这个规则的数据就会被匹配

采集动态HTML，验证码的处理

• 通用动态页面采集： Selenium + PhantomJS:模拟真实浏览器加载JS
• 验证码处理: Tesseract机器学习库，机器图像识别系统

Scrapy框架:

• 高定制性，高性能（异步网络框架twisted）->数据下载快
• 提供了数据存储，数据下载，提取规则等组件

分布式策略：

scrapy redis：在scarpy基础上添加了以redis数据库为核心的一套组件,主要在redis做请求指纹去重、请求分配、数据临时存储

爬虫、反爬虫、反反爬虫之间的斗争:

User-Agent, 代理, 验证码, 动态数据加载, 加密数据

爬虫的分类

通用爬虫:

1.定义： 搜索引擎用的爬虫系统

2.目标： 把所有互联网的网页爬取下来，放到本地服务器形成备份，在对这些网页做相关处理（提取关键字，去除广告），最后提供一个用户可以访问的借口

3.抓取流程：

a) 首先选取一部分已有的URL， 把这些URL放到带爬取队列中

b) 从队列中取出来URL，然后解析NDS得到主机IP，然后去这个IP对应的服务器里下载HTML页面，保存到搜索引擎的本地服务器里，之后把爬过的URL放入已爬取队列

c) 分析网页内容，找出网页里其他的URL连接，继续执行第二步，直到爬取结束

4.搜索引擎如何获取一个新网站的URL：

主动向搜索引擎提交网址： https://ziyuan.baidu.com/linksubmit/index

在其他网站设置网站的外链： 其他网站上面的友情链接

搜索引擎会和DNS服务商进行合作，可以快速收录新网站

5.通用爬虫注意事项

通用爬虫并不是万物皆可以爬，它必须遵守规则：

Robots协议：协议会指明通用爬虫可以爬取网页的权限

我们可以访问不同网页的Robots权限

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！