hi!

Python爬虫 | 爬虫概述

上一篇 / 下一篇  2021-10-14 16:08:37 / 个人分类:技术基础类

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!

TAG: Python 爬虫 python

 

评分:0

我来说两句

wphisme

wphisme

奋斗吧少年!

日历

« 2021-10-16  
     12
3456789
10111213141516
17181920212223
24252627282930
31      

数据统计

  • 访问量: 7339
  • 日志数: 16
  • 文件数: 1
  • 建立时间: 2019-01-14
  • 更新时间: 2021-10-14

RSS订阅

Open Toolbar