Python 爬虫基础
1、网络爬虫的概念:(概念性的东西总是要知道的)
网络爬虫又被称为网页蜘蛛,网络机器人)就是模拟客户端(主要指浏览器)发送网络请求,接收请求响应,一种按照一定规则,自动抓取互联网信息的程序。‘
- 原则上,只要客户端浏览器所能做的事情,爬虫都能做
- 爬虫也只能获取客户端(浏览器)所展示的数据
说人话:模拟浏览器,发送请求,获取响应。
2、爬虫的作用:
- 数据采集:微博评论,信息收集,疫情信息收集,招聘网站信息收集,新闻信息,川普拉选票
- 软件测试:爬虫之自动化测试
- 1230抢票:
- 网站投票:
- 网络安全:短信轰炸——注册页面,web漏洞扫描
3、爬虫的分类:
- 全网爬虫:用于抓取整个互联网的数据,主要就是搜索引擎这样的
- 站内爬虫:与全网爬虫类似,只是用于抓取站内的网络资源。主要是一些企业内部的搜索引擎。
- 定向爬虫:应用广泛,这种爬虫只关注特定的数据。
分类方法还有很多,就不一一列举了。
爬虫流程:
- 获取一个URL
- 向URL发送请求,并获取响应(需要HTTP协议)
- 如果从响应中提取URL,则继续发送请求获取响应
- 如果从响应中提取数据,则将数据进行保存