Python从概念上先了解爬虫

什么是爬虫

爬虫：就是抓取网页数据的程序。搜索引擎的底层其实就是爬虫。
百度百科：网络爬虫

关于Python爬虫，我们需要学习的有：

1. Python基础语法学习（基础知识）
2. HTML页面的内容抓取（数据抓取）
3. HTML页面的数据提取（数据清洗）
4. Scrapy框架以及scrapy-redis分布式策略（第三方框架）
5. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争....

为什么需要爬虫

我们先来考虑一个问题，移动互联网时代已经过去了，你看现在IOS和安卓的行情，现在是大数据时代，那一直在说大数据大数据，那么所谓的"大数据时代"，数据获取的方式有哪几种？
百度搜、淘宝买这个是我们一下子可以想到的方式，那么我们统计下都有哪些方式

1. 企业生产的用户数据：大型互联网公司有海量用户，所以他们积累数据有天然的优势。
   有数据意识的中小型企业，也开始积累的数据。（百度指数 阿里指数 新浪微博指数）
2. 数据管理咨询公司：通常这样的公司有很庞大的数据采集团队，一般会通过市场调研、问卷调查、固定的样本检测，和各行各业的公司进行合作、专家对话（数据积累很多年了，最后得出科研结果）来采集数据。（麦肯锡 艾瑞咨询）
3. 政府/机构提供的公开数据：政府通过各地政府统计上报的数据进行合并；机构都是权威的第三方网站。（中华人民共和国国家统计局数据 世界银行公开数据 联合国数据）
4. 第三方数据平台购买数据：通过各个数据交易平台来购买各行各业需要的数据，根据获取难度不同，价格也会不同。（数据堂 国云数据市场）中国做大数据比较多的一个省就是贵阳，地理优势，贵阳大数据交易所
5. 爬虫爬取数据：如果市场上没有我们需要的数据，或者价格太高不愿意买，那么就可以招/做一个爬虫工程师，从互联网上定向采集数据。（拉勾网上招聘爬虫工程师）

爬虫怎么抓取网页数据

我们平时通过浏览器打开的任意一个网页，其实都有以下三大通用特征

网页三大特征：

1. 网页都有自己唯一的URL（统一资源定位符）来进行定位
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）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页URL地址。
2. 通过HTTP/HTTP协议来获取对应的HTML页面。
3. 提取HTML页面里有用的数据：如果是需要的数据，就保存起来。 如果是页面里的其他URL，那就继续执行第二步

只有Python能搞爬虫？

首先要纠正下，不管是所谓的大数据分析还是爬虫其他编程语言同样可以实现，如 PHP、Java、C/C++、Python等等..

那么为什么我们要选择python来进行实现，我们首先对比下这几个语言

1. PHP 虽然是世界上最好的语言，但是他天生不是干这个的，而且对多线程、异步支持不够好，并发处理能力很弱，爬虫是工具性程序，对速度和效率要求比较高。
2. Java 的网络爬虫生态圈也很完善，是Python爬虫最大的对手。但是Java语言本身很笨重，代码量很大。重构成本比较高，任何修改都会导致代码的大量变动。爬虫经常需要修改部分采集代码。
3. C/C++ 运行效率和性能几乎最强，但是学习成本很高，代码成型比较慢。能用C/C++做爬虫，只能说是能力的表现，但是不是正确的选择，大材小用。
4. Python 语法优美、代码简洁、开发效率高、支持的模块多，相关的HTTP请求模块和HTML解析模块非常丰富。还有强大的爬虫Scrapy，以及成熟高效的 scrapy-redis分布式策略。而且，调用其他借口也非常方便（胶水语言）

爬虫的分类

根据使用场景：分为 通用爬虫 聚焦爬虫

一、通用爬虫：搜索引擎用的爬虫系统。

目标：就是尽可能把互联网上所有的网页下载下来，放到本地服务器里形成备份，再对这些网页做相关处理（提取关键字、去掉广告），最后提供一个用户检索接口

抓取流程：
1.首选选取一部分已有的URL，把这些URL放到待爬取队列。
2.从队列里取出这些URL，然后解析DNS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。之后把这个爬过的URL放入已爬取队列。
3.分析这些网页内容，找出网页里其他的URL连接，继续执行第二步，直到爬取条件结束。

搜索引擎如何获取一个新网站的URL
1.主动向搜索引擎提交网址：（如百度http://zhanzhang.baidu.com/li...）
2.在其他网站里设置网站的外链。
3.搜索引擎会和DNS服务商进行合作，可以快速收录新的网站。(DNS：就是把域名解析成IP的一种技术。)
比如你在cmd pin www.baidu.com就会得到百度的IP，直接在浏览器里面输入IP通用可以访问到百度

通用爬虫并不是万物皆可爬，它也需要遵守规则：
Robots协议：协议会指明通用爬虫可以爬取网页的权限。
Robots.txt 只是一个建议。并不是所有爬虫都遵守，一般只有大型的搜索引擎爬虫才会遵守。咱们个人写的爬虫，就不管了。就像公交车上老弱病残孕专座一样。

这里简单介绍下Robots协议（也叫爬虫协议、机器人协议等），全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，例如：
淘宝网：https://www.taobao.com/robots...
腾讯网： http://www.qq.com/robots.txt

通用爬虫工作流程：爬取网页 - 存储数据 - 内容处理 - 提供检索/排名服务

搜索引擎排名：
1.PageRank值：根据网站的流量（点击量/浏览量/人气）统计，流量越高，网站也越值钱，排名越靠前。
2.竞价排名：谁给钱多，谁排名就高。

通用爬虫的缺点
1.通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的。
2.不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。
3.万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。
4.通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求。
为了解决这个问题，聚焦爬虫出现了

二、聚焦爬虫：爬虫程序员写的针对某种内容的爬虫。
面向主题爬虫，面向需求爬虫：会针对某种特定的内容去爬取信息，而且会保证信息和需求尽可能相关。而我们后面要学习的，就是聚焦爬虫。

你目前需要掌握爬虫用到的技术

1. Python的基本语法知识
2. 如何抓取HTML页面：HTTP请求的处理，urllib、urllib2、requests
3. 解析服务器响应的内容：re、xpath、BeautifulSoup4（bs4）、jsonpath、pyquery等
4. 如何采集动态HTML、验证码的处理：通用的动态页面采集：Selenium + PhantomJS(无界面)：模拟真实浏览器加载js、ajax等非静态页面数据。Tesseract：机器学习库，机器图像识别系统，可以处理简单的验证码，复杂的验证码可以通过手动输入/专门的打码平台
5. Scrapy框架：（Scrapy，Pyspider）
6. 分布式策略 scrapy-reids：
7. 爬虫 - 反爬虫 - 反反爬虫 之间的斗争(其实这个地方最后肯定是爬虫胜利，因为爬虫只是模拟用户的操作，只要你的网站让用户看，那么爬虫就能爬下来)