Day19 - 爬虫
一,spider
1.数据分析,数据挖掘
先分析、再挖掘 --> 前提:有数据。
2.数据来源:
1.数据库。2.爬虫 3.其他平台(API)
Spider:蜘蛛。–> 爬虫:可以在互联网的任意位置获取数据。
爬虫概念:
爬虫,别名(网页蜘蛛、蠕虫),学名:网络数据采集。
根据程序员的自定义规则(想法)在互联网中自动的爬取数据(图片、音频、视频、文字等都叫做数据)。
爬虫学习流程
1.爬虫对谁做操作?
表面:爬虫对网页做操作。
深层次:爬虫对服务器做操作。
2.对网页操作
我们需要有HTML、CSS、JavaScript的知识,需要理解某个页面的结构。
浏览器页面F12或者FN + F12或者右键检查或者浏览器设置都可以打开开发人员工具。
网页还分为静态页面和动态页面。
3.使用三方模块:requests向目标网站的服务器发起请求,服务器根据请求返回响应结果response(对象),
对response响应结果处理完得到的是字符串(HTML页面源代码)。
4.从页面源代码中得到所需内容。
方法一:正则表达式匹配。
方法二:三方模块Beautifulsoup4对页面源码进行解析,解析完使用CSS选择器拿到所需内容。
方法三:使用三方模块lxml对页面源码解析,使用XPath语法拿到所需内容。
方法四:三方模块Selenium访问页面,拿到页面内容,可以同时结合CSS选择器或者XPath语句拿到所需内容。
5.数据持久化
将RAM中的结果存储到磁盘或者数据库中。
6.写爬虫会遇到各种反爬机制,使用指定的反反爬措施破解。
a.将爬虫伪装浏览器。
b.封禁IP地址的网站一般使用代理IP:站大爷、芝麻代理、极光代理等。
c.文字反扒。
d.AJAX异步加载。
等。。。。
7.rpa(机器人流程自动化):八爪鱼、影刀等。使用拖拉拽(实现了某些功能的模块)的形式实现流程自动化(爬虫等)。
1.静态页面:
网页一旦生成,里面的内容不会自动的发生变化。
页面中包含:html(展示页面内容)、css样式(渲染html)、javascript(渲染html)
2.动态页面:
网页生成后,页面内容还会自动发生变化。页面内容和数据库进行联通,数据库中变,页面就变。
一般动态页面都会应用AJXA异步加载。
3.HTTP和HT