Python网络爬虫入门基础 _初识【1】

本次教程是依据个人学习心得与学习记录所做，见证的是我们的成长。

什么是网络爬虫?

定义：

1. Web Crawler：网络爬虫。顾名思义，可以把网络理解成一张网，爬虫就是每天在网上爬来爬去的蜘蛛，因为我们所访问的网页都是互通的，通过跳转，可以访问其他的网络资源，这样，爬虫就可以在网络中爬取我们想要的资源。（所以网络爬虫又被称为网页蜘蛛，网络机器人，在某一社区中。被称为网页追逐者）它可以按照指定的规则即网络爬虫的算法自动地在互联网，网页中抓取网络的信息。

应用：

1. 网络爬虫到处可见，例如浏览器的搜索引擎就附带着爬虫，依靠爬虫，可以快速的在庞大的互联网信息中获取指定的信息。算法对于网络爬虫来说十分重要，不同的算法，所爬取的信息的工作效率和结果也有所不同。
2. 随着互联网的发展，到了信息量爆炸的时代，爬虫所扮演的角色愈加重要。为了提高爬行的工作效率，爬虫需要在单位时间内尽可能多的获取高质量页面，成为了它面临的难题之一。

原理：

1.正如爬虫的名字那样，我们所访问的每个网站网页都属于一个节点，而这些节点都是相互联系的，爬虫便可以借助这种关系，从一个网页扩展到很多网页，以此从中抓取我们所需要的数据内容。

基本原理：

• 指定初始的URL（该URL地址是我们需要爬取的初始URL网页地址）
• 爬取对应的初始URL时，从中获取新的URL地址
• 将新的URL地址列入URL列队中（URL管理器）
• 从URL列队中读取新的的URL，依据该URL爬取网页，提同时获取新的URL，并不断重复该过程
• 若在爬取前设置了条件，满足某特定条件即可停止爬取；若未设置条件，爬虫将一直干下去直到无法获取到新的URL地址。

2. 爬虫调度管理器会将抓取的数据通过下载器保存到数据存储器中。它将会以音频；文本；视频，图片等形式保持在本地。

利弊：

1.网络爬虫是把双刃剑，在享受爬虫带来的数据便捷的同时还存在着严重的隐私问题。有人会故意利用爬虫来爬取他人的隐私信息。
2.使用网络爬虫就相当于使用浏览器，但它是个高频的程序，长期高频率的爬取一个网站，可能会导致服务器资源殆尽，给服务器带来很大的负担，严重影响性能，这就相当于一个DDoS攻击。

首选语言

1.Python是编写网络爬虫的首选语言，为什么呢？

• 得益于Python的语法简明，通俗易懂，哪怕是零基础也能够快速上手，并且活。
• Python内置了丰富的爬虫相关模块和第三方库及其框架，如Requests、mechanize，Beautiful Soup、Scrapy让网络爬虫有了更多的选择和方法。
• Python支持多线程，开启多线程能够使得爬取更多的网页，工作效率大大提高，事半功倍。
• Python有着强大的数据分析和处理能力，对于抓取数据更加智能与灵活。

2.当然了，像Java，C/C++,PHP同样是可以编写爬虫的，就看你能不能接受了。

总结：

1.编写网络爬虫程序是一个长期的过程，往后的学习之路还很长。希望通过介绍，能对爬虫有个简单而深刻的认识。