一、爬虫的概念
网络爬虫就是模拟客户端(主要指浏览器)发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序。
原则上,只要是客户端(浏览器)能做的事请,爬虫都能够做。
爬虫也只能获取客户端(浏览器)所展示出来的数据。
二、爬虫的作用
1、数据采集
a、抓取微博评论(机器学习,舆情监控)
b、抓取招聘网站的招聘信息(数据分析、挖掘)
c、新浪滚动新闻
d、百度新闻网站
2、软件测试
a、爬虫之自动化测试
b、虫师(博客)
3、12306抢票
4、网站投票(刷票)
5、网络安全
a、短信轰炸---注册页面
b、web漏洞扫描
三、爬虫的分类
1、根据被爬取网站的数量不同,可分为:
a、通用爬虫 如搜索引擎
b、聚焦爬虫 特定网站(2)
2、根据是否以获取数据为目的,可以分为:
a、功能性爬虫 如投票、点赞
b、数据增量爬虫 如招聘信息(3)
3、根据url地址和对应的页面内容是否改变,数据增量爬虫可以分为:
a、基于url地址变化、内容也随之变化的数据增量爬虫
b、url地址不变,内容变化的数据增量爬虫
四、爬虫的流程(原理)
1、获取一个url
2、向url发送请求,并获取响应(需要http协议)
3、如果从响应中提取url,则继续发送请求获取响应
4、如果从响应中提取数据,则将数据进行保存