目錄

• # 1. 為什麼要爬蟲?
• 2. 什麼是爬蟲？
• 3. 爬蟲如何抓取網頁數據？
  • # 4. Python爬蟲的優勢？
• 5. 學習路線
• 6. 爬蟲的分類
  • 6.1 通用爬蟲:
  • 6.2 聚焦爬蟲：

# 1. 為什麼要爬蟲?

“大數據時代”，數據獲取的方式：

• 大型企業公司有海量用戶，需要收集數據來提升產品體驗
  【百度指數（搜索），阿裡指數（網購），騰訊數據（社交）】
  
• 數據管理咨詢公司： 通過數據團隊專門提供大量數據，通過市場調研，問卷調查等
  
• 政府/機構提供的公開數據
  • 中華人民共和國統計局
    
  • World bank
    
  • Nasdaq
• 第三方數據平臺購買數據
  • 數據堂
    
  • 貴陽大數據交易平臺
    
• 爬蟲數據

2. 什麼是爬蟲？

抓取網頁數據的程式

3. 爬蟲如何抓取網頁數據？

首先需要瞭解網頁的三大特征：

1. 每個網頁都有自己的URL（統一資源定位符）來定位
   
2. 網頁都使用HTML(超文本標記語言)來描述頁面信息
   
3. 網頁都使用HTTP/HTTPS（超文本傳輸協議）來傳輸HTML數據

爬蟲的設計思路：

1. 首先確定需要爬取的網URL地址
   
2. 通過HTTP/HTTPS協議來獲取對應的HTML頁面
   
3. 提取HTML頁面內有用的數據：
   

a. 如果是需要的數據--保存

b. 如果有其他URL，繼續執行第二步

# 4. Python爬蟲的優勢？

5. 學習路線

1. 抓取HTML頁面：
   

• HTTP請求的處理： urllib, urlib2, requests
  
• 處理器的請求可以模擬瀏覽器發送請求，獲取伺服器響應的文件
  

1. 解析伺服器相應的內容:
   

• re, xpath, BeautifulSoup(bs4), jsonpath, pyquery等
  
• 使用某種描述性語言來給我們需要提取的數據定義一個匹配規則，符合這個規則的數據就會被匹配

1. 採集動態HTML，驗證碼的處理
   

• 通用動態頁面採集： Selenium + PhantomJS:模擬真實瀏覽器載入JS
  
• 驗證碼處理: Tesseract機器學習庫，機器圖像識別系統
  

1. Scrapy框架:
   

• 高定製性，高性能（非同步網路框架twisted）->數據下載快
  
• 提供了數據存儲，數據下載，提取規則等組件

1. 分散式策略：
   

• scrapy redis：在scarpy基礎上添加了以redis資料庫為核心的一套組件,主要在redis做請求指紋去重、請求分配、數據臨時存儲

1. 爬蟲、反爬蟲、反反爬蟲之間的鬥爭:
   

• User-Agent, 代理, 驗證碼, 動態數據載入, 加密數據

6. 爬蟲的分類

6.1 通用爬蟲:

1.定義： 搜索引擎用的爬蟲系統
2.目標： 把所有互聯網的網頁爬取下來，放到本地伺服器形成備份，在對這些網頁做相關處理（提取關鍵字，去除廣告），最後提供一個用戶可以訪問的藉口

3.抓取流程：

a) 首先選取一部分已有的URL， 把這些URL放到帶爬取隊列中

b) 從隊列中取出來URL，然後解析NDS得到主機IP，然後去這個IP對應的伺服器里下載HTML頁面，保存到搜索引擎的本地伺服器里，之後把爬過的URL放入已爬取隊列

c) 分析網頁內容，找出網頁里其他的URL連接，繼續執行第二步，直到爬取結束

4.搜索引擎如何獲取一個新網站的URL：

1. 主動向搜索引擎提交網址： https://ziyuan.baidu.com/linksubmit/index
   
2. 在其他網站設置網站的外鏈： 其他網站上面的友情鏈接
   
3. 搜索引擎會和DNS服務商進行合作，可以快速收錄新網站

5.通用爬蟲註意事項
通用爬蟲並不是萬物皆可以爬，它必須遵守規則：
Robots協議：協議會指明通用爬蟲可以爬取網頁的許可權

我們可以訪問不同網頁的Robots許可權

6.通用爬蟲通用流程：

7.通用爬蟲缺點

1. 只能提供和文本相關的內容(HTML,WORD,PDF)等，不能提供多媒體文件(msic,picture, video)及其他二進位文件
   
2. 提供結果千篇一律，不能針對不同背景領域的人聽不同的搜索結果
   
3. 不能理解人類語義的檢索
   
4. 聚焦爬蟲的優勢所在

DNS 功能變數名稱解析成IP: 通過在命令框中輸入ping www.baidu.com，得到伺服器的IP

6.2 聚焦爬蟲：

爬蟲程式員寫的針對某種內容的爬蟲-> 面向主題爬蟲，面向需要爬蟲