Python爬虫 | 爬虫概述

学习python爬虫的背景了解。

大数据时代数据获取方式

如今，人类社会已经进入了大数据时代，数据已经成为必不可少的部分，可见数据的获取非常重要，而数据的获取的方式大概有下面几种。

1. 企业生产的数据，大型互联网公司有海量的用户，所以他们积累数据有天然的优势
2. 数据管理资讯公司
3. 政府/机构提供的公开数据
4. 第三方数据平台购买数据
5. 爬虫爬取数据

互联网数据指数

• 百度指数
• 阿里指数
• 腾讯指数
• 新浪指数

政府机构数据

• 中华国家统计局
• 世界银行数据
• nasdaq股票市场
• UNdata

数据管理咨询公司

• 艾瑞数据
• 麦肯锡
• 埃森哲

第三方数据市场

• 数据堂
• 贵阳大数据交易所
• 国云数据

如果市场上没有我们要的数据，或者价格太高不愿购买，那么就需要使用爬虫来获得想要的数据了。

爬虫介绍

什么是爬虫？
简单来说就是用来抓取网页数据的程序。

爬虫是怎么抓取网页数据的？
这里需要了解网页三大特征

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. 首先确定要爬取的网页URL地址
2. 通过HTTP/HTTPS协议来获取对于的HTML页面
3. 提取HTML里面有用的数据
4. 如果是有用的数据，那么就保存起来，如果是页面里有其他URL，那么就继续执行第二步

如何抓取HTML页面

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

如何解析服务器响应的内容
使用某种描述性一样，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。
re、xpath、BeautifulSoup4(BS4)、jsonpath、pyquery等

如何采集动态HTML，验证码的处理

• 通用的动态页面采集:selenium+phantomJS
• Tesseract:机器学习库，机器图像识别系统，可以处理简单验证码

Scrapy框架
爬虫后续还需要使用到scrapy框架，高定制性，高性能，数据下载速度快，提供了数据存储，数据下载，提取规则等组件。

通用爬虫与聚焦爬虫

通用爬虫
通用网络爬虫是捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。

目标
通用爬虫就是尽可能把互联网上所有的网页下载下来，放到本地服务器备份，再对这些网页进行相关处理(提取关键字，去除广告等)，最后提供一个用户检索接口。

通用爬虫的抓取流程
第一步

1. 首先选取一部分的种子URL，将这些URL放入待抓取URL队列；
2. 取出待抓取URL，解析DNS得到主机的IP，并将URL对应的网页下载下来，存储进已下载网页库中，并且将这些URL放进已抓取URL队列。
3. 分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环....

搜索引擎如何获取一个新网站的URL：

1. 新网站向搜索引擎主动提交网址：（如百度http://zhanzhang.baidu.com/li...）
2. 在其他网站上设置新网站外链（尽可能处于搜索引擎爬虫爬取范围）
3. 搜索引擎和DNS解析服务商(如DNSPod等）合作，新网站域名将被迅速抓取。

但是搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需要遵从一些命令或文件的内容，如标注为nofollow的链接，或者是Robots协议。

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

第二步：数据存储
搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行。

第三步：预处理
搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理。

• 提取文字
• 中文分词
• 消除噪音（比如版权声明文字、导航条、广告等……）
• 索引处理
• 链接关系计算
• 特殊文件处理等等

除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

但搜索引擎还不能处理图片、视频、Flash 这类非文字内容，也不能执行脚本和程序。

第四步：提供检索服务，网站排名
搜索引擎在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检索相关的信息展示给用户。

同时会根据页面的PageRank值（链接的访问量排名）来进行网站排名，这样Rank值高的网站在搜索结果中会排名较前，当然也可以直接使用 Money 购买搜索引擎网站排名，简单粗暴。

但是，这些通用性搜索引擎也存在着一定的局限性：
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。

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。

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。

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。

针对这些情况，聚焦爬虫技术得以广泛使用。

聚焦爬虫
聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。

而我们学的爬虫大多是聚焦爬虫！