关于爬虫

Bertha 。 2021-12-23 03:23 155阅读 0赞

# 一、“大数据时代”，数据获取的方式： #

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，也开始积累数据。
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。
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。
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。
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。

# 二、什么是爬虫？ #

爬虫：就是抓取网页数据的程序。

# 三、爬虫怎么抓取网页数据： #

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：  
a. 如果是需要的数据，就保存起来。  
b. 如果是页面里的其他URL，那就继续执行第二步。

# 四、为什么选择Python做爬虫？ #

可以做爬虫的语言有很多，如 PHP、Java、C/C++、Python等等…

*  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。
 *  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。
 *  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。
 *  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，调用其他接口也非常方便（胶水语言）

# 五、介绍： #

\-1. Python的基本语法知识（默认已经搞定）

\-2. 如何抓取HTML页面：  
HTTP请求的处理，urllib、urllib2、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

\-3. 解析服务器响应的内容  
re、xpath、BeautifulSoup4（bs4）、jsonpath、pyquery等  
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。

\-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）  
高定制性高性能（异步网络框架twisted），所以数据下载速度非常快，  
提供了数据存储、数据下载、提取规则等组件。

\-6 分布式策略 scrapy-reids：  
scrapy-redis，在Scrapy的基础上添加了一套以 Redis 数据库为核心的组件。  
让Scrapy框架支持分布式的功能，主要在Redis里做 请求指纹去重、请求分配、数据临时存储。

\-7 爬虫 - 反爬虫 - 反反爬虫 之间的斗争：  
其实爬虫做到最后，最头疼的不是复杂的页面，也是晦涩的数据，而是网站另一边的反爬虫人员。

User-Agent、代理、验证码、动态数据加载、加密数据。
    
    数据价值，是否值的去费劲做反爬虫。
    1. 机器成本 + 人力成本 > 数据价值，就不反了，一般做到封IP就结束了。
    2. 面子的战争....
    
    爬虫和反爬虫之间的斗争，最后一定是爬虫获胜！
    为什么？只要是真实用户可以浏览的网页数据，爬虫就一定能爬下来！

# 六、根据使用场景：分为 通用爬虫 聚焦爬虫 #

1.通用爬虫：搜索引擎用的爬虫系统。

\-1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。

\-2抓取流程：  
a) 首选选取一部分已有的URL，把这些URL放到待爬取队列。  
b) 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。  
c) 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。

\-3 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：[http://zhanzhang.baidu.com/linksubmit/url][http_zhanzhang.baidu.com_linksubmit_url]  
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。

\-4 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。

\-5 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

\-6 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。

\-7 通用爬虫的缺点：  
1. 只能提供和文本相关的内容（HTML、Word、PDF）等等，但是不能提供多媒体文件（音乐、图片、视频）和二进制文件（程序、脚本）等等。  
2. 提供的结果千篇一律，不能针对不同背景领域的人提供不同的搜索结果。  
3. 不能理解人类语义上的检索。

为了解决这个问题，聚焦爬虫出现了：

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。

Python自带的模块：/usr/lib/python2.7/urllib2.py  
Python的第三方模块： /usr/local/lib/python2.7/site-packages  
urllib2 默认的 User-Agent：Python-urllib/2.7  
User-Agent: 是爬虫和反爬虫斗争的第一步，养成好习惯，发送请求带User-Agent  
response 是服务器响应的类文件，除了支持文件操作的方法外，还支持以下常用的方法：

**返回 HTTP的响应码，成功返回200，4服务器页面出错，5服务器问题**

> print response.getcode()

**返回 返回实际数据的实际URL，防止重定向问题**

> **print response.geturl()**

**返回服务器响应的HTTP报头**

> print [response.info][]()

User-Agent 历史：

Mosaic 世界上第一个浏览器：美国国家计算机应用中心

Netscape 网景：Netscape（支持框架），慢慢开始流行…(第一款支持框架的浏览器)

Microsoft 微软：Internet Explorer（也支持框架）

第一次浏览器大战：网景公司失败…消失

Mozilla 基金组织：Firefox 火狐 - （Gecko内核）(第一款浏览器内核)