摘要：学习爬虫的背景了解。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，如标注为的链接，或者是协议。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。
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。
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
数据管理资讯公司
政府/机构提供的公开数据
第三方数据平台购买数据
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
网页都有自己唯一的URL(统一资源定位符)来进行定位。
网页都使用HTML(超文本标记语言)来描述页面信息。
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
首先确定要爬取的网页URL地址
通过HTTP/HTTPS协议来获取对于的HTML页面
提取HTML里面有用的数据
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
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
首先选取一部分的种子URL，将这些URL放入待抓取URL队列；
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。
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：
新网站向搜索引擎主动提交网址：（如百度http://zhanzhang.baidu.com/li...）
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）
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！
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/43151.html
摘要：学习笔记七数学形态学关注的是图像中的形状，它提供了一些方法用于检测形状和改变形状。学习笔记十一尺度不变特征变换，简称是图像局部特征提取的现代方法基于区域图像块的分析。本文的目的是简明扼要地说明的编码机制，并给出一些建议。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 开始之前，我们先来看这样一个提问： pyth...
摘要：时间永远都过得那么快，一晃从年注册，到现在已经过去了年那些被我藏在收藏夹吃灰的文章，已经太多了，是时候把他们整理一下了。那是因为收藏夹太乱，橡皮擦给设置私密了，不收拾不好看呀。 ...
摘要：理解迭代对象迭代器生成器后端掘金本文源自作者的一篇博文，原文是，俺写的这篇文章是按照自己的理解做的参考翻译。比较的是两个对象的内容是后端掘金黑魔法之协程异步后端掘金本文为作者原创，转载请先与作者联系。 完全理解关键字with与上下文管理器 - 掘金如果你有阅读源码的习惯，可能会看到一些优秀的代码经常出现带有 with 关键字的语句，它通常用在什么场景呢？今天就来说说 with 和 上下...
阅读 3449·2021-09-22 15:02
阅读 3469·2021-09-02 15:21
阅读 2115·2019-08-30 15:55
阅读 2759·2019-08-30 15:44
阅读 754·2019-08-29 16:56
阅读 2404·2019-08-23 18:22
阅读 3324·2019-08-23 12:20
阅读 3048·2019-08-23 11:28
