Python爬虫的基本概念、分类、学习路线以及爬取数据思路

为什么要爬虫?

“大数据时代”，数据获取的方式：

1、大型企业公司有海量用户，需要收集数据来提升产品体验

【百度指数（搜索），阿里指数（网购），腾讯数据（社交）】

2、数据管理咨询公司： 通过数据团队专门提供大量数据，通过市场调研，问卷调查等

3、政府/机构提供的公开数据

• 中华人民共和国统计局
• World bank
• Nasdaq

4、第三方数据平台购买数据

• 数据堂
• 贵阳大数据交易平台

5、爬虫数据

什么是爬虫？

抓取网页数据的程序

爬虫如何抓取网页数据？

首先需要了解网页的三大特征：

1. 每个网页都有自己的URL（统一资源定位符）来定位
2. 网页都使用HTML(超文本标记语言)来描述页面信息
3. 网页都使用HTTP/HTTPS（超文本传输协议）来传输HTML数据

爬虫的设计思路：

1. 首先确定需要爬取的网URL地址
2. 通过HTTP/HTTPS协议来获取对应的HTML页面
3. 提取HTML页面内有用的数据：

a. 如果是需要的数据–保存

b. 如果有其他URL，继续执行第二步

Python爬虫的优势？

学习路线

抓取HTML页面：

• HTTP请求的处理： urllib, urlib2, requests
• 处理器的请求可以模拟浏览器发送请求，获取服务器响应的文件

解析服务器相应的内容:

• re, xpath, BeautifulSoup(bs4), jsonpath, pyquery等
• 使用某种描述性语言来给我们需要提取的数据定义一个匹配规则，符合这个规则的数据就会被匹配

采集动态HTML，验证码的处理

• 通用动态页面采集： Selenium + PhantomJS:模拟真实浏览器加载JS
• 验证码处理: Tesseract机器学习库，机器图像识别系统

Scrapy框架:

• 高定制性，高性能（异步网络框架twisted）->数据下载快
• 提供了数据存储，数据下载，提取规则等组件

分布式策略：

scrapy redis：在scarpy基础上添加了以redis数据库为核心的一套组件,主要在redis做请求指纹去重、请求分配、数据临时存储

爬虫、反爬虫、反反爬虫之间的斗争:

User-Agent, 代理, 验证码, 动态数据加载, 加密数据

爬虫的分类

通用爬虫:

1.定义： 搜索引擎用的爬虫系统

2.目标： 把所有互联网的网页爬取下来，放到本地服务器形成备份，在对这些网页做相关处理（提取关键字，去除广告），最后提供一个用户可以访问的借口

3.抓取流程：

a) 首先选取一部分已有的URL， 把这些URL放到带爬取队列中

b) 从队列中取出来URL，然后解析NDS得到主机IP，然后去这个IP对应的服务器里下载HTML页面，保存到搜索引擎的本地服务器里，之后把爬过的URL放入已爬取队列

c) 分析网页内容，找出网页里其他的URL连接，继续执行第二步，直到爬取结束

4.搜索引擎如何获取一个新网站的URL：

主动向搜索引擎提交网址： https://ziyuan.baidu.com/linksubmit/index

在其他网站设置网站的外链： 其他网站上面的友情链接

搜索引擎会和DNS服务商进行合作，可以快速收录新网站

5.通用爬虫注意事项

通用爬虫并不是万物皆可以爬，它必须遵守规则：

Robots协议：协议会指明通用爬虫可以爬取网页的权限

我们可以访问不同网页的Robots权限

0经验0基础，怎样学技术赚钱？

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。
（python兼职资源+python全套学习资料）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、Python练习题

检查学习结果。

最后，千万别辜负自己当时开始的一腔热血，一起变强大变优秀。