什么是爬虫?
数据抓取,从互联网抓取想要的数据、数据爬虫、网络蜘蛛。
web与http
- web指的网站,给用户展现数据的地方
- http指的是网络协议,http&https
- url 统一资源定位符
例如 https://www.baidu.com/s?ie=utf-8&wd=%E5%B0%8F%E5%85%94%E5%AD%90
(1)https 协议
(2)www.baidu.com 域名
(3)www.baidu.com/s host
(4)?ie=utf-8&wd=%E5%B0%8F%E5%85%94%E5%AD%90 参数
爬虫的基本步骤
- 明确需求
- 根据需求,寻找对应的web网址(url)
- 用python程序模拟浏览器去访问对应的网址(url),需要用到python的第三方请求库(request)
- 获取服务器返回的源代码(html、json、xml)
- 根据返回的源代码提取需要的数据(RE正则、xpath等)
- 把数据整理存储