Python 爬虫流程及robots协议介绍
**网络爬虫(Spider)是一种高效的数据挖掘的方式,常见的百度,谷歌,火狐等浏览器,其实就是一个非常大的爬虫项目**
爬虫大致分为了四个阶段:
确定目标:我们想要爬取的网页
数据采集:已经爬取到的HTML数据
数据提取:从HTML中提取我们想要的数据
数据存储:将提取出来的数据保存在数据库,保存成JSON文件等
robots协议:
用简单直接的txt格式文本方式告诉对应的爬虫被允许的权限,也就是说robots.txt是搜索引擎中访问网站的时候要查看的第一个文件,简单的说就是定义了哪些数据可以爬取,哪些数据不能被爬取。
爬虫访问网页的时候,首先查看robots文件,如果存在,则按照robots的规定确定可以爬取的范围,如果不存在那么所有没有被保护的页面的数据都可以爬取