为什么要做爬虫？

首先请问：都说如今是"大数据时期"，那数据从何而来？

企业产生的用户数据：百度指数、阿里指数、TBI腾讯阅读指数、新浪微博指数

数据平台购置数据：数据堂、国云数据市场、贵阳大数据买卖所

政府/机构公开的数据：中华人民共和国国度统计局数据、世界银行公开数据、结合国数据、纳斯达克。

数据管理咨询公司：麦肯锡、埃森哲、艾瑞咨询

爬取网络数据：假如需求的数据市场上没有，或者不愿意购置，那么能够选择招/做一名爬虫工程师，本人入手饥寒交迫。拉勾网Python爬虫职位

爬虫是什么？

百度百科：网络爬虫

关于Python爬虫，我们需求学习的有：

1. Python根底语法学习（根底学问）

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散布式战略（第三方框架）

6. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争....

通用爬虫和聚焦爬虫

依据运用场景，网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种.

通用爬虫

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

通用搜索引擎（Search Engine）工作原理

通用网络爬虫 从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎树立索引从而提供支持，它决议着整个引擎系统的内容能否丰厚，信息能否即时，因而其性能的优劣直接影响着搜索引擎的效果。

第一步：抓取网页

搜索引擎网络爬虫的根本工作流程如下：

首先选取一局部的种子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。

剖析已抓取URL队列中的URL，剖析其中的其他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/linksubmit/url）

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解析效劳商(如DNSPod等）协作，新网站域名将被疾速抓取。

但是搜索引擎蜘蛛的匍匐是被输入了一定的规则的，它需求服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“网络爬虫扫除规范”（Robots Exclusion Protocol），网站经过Robots协议通知搜索引擎哪些页面能够抓取，哪些页面不能抓取，例如：

淘宝网：https://www.taobao.com/robots.txt

腾讯网： http://www.qq.com/robots.txt

第二步：数据存储

搜索引擎经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阅读器得到的HTML是完整一样的。

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

第三步：预处置

搜索引擎将爬虫抓取回来的页面，停止各种步骤的预处置。

提取文字

中文分词

消弭噪音（比方版权声明文字、导航条、广告等……）

索引处置

链接关系计算

特殊文件处置

....

除了HTML文件外，搜索引擎通常还能抓取和索引以文字为根底的多种文件类型，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置图片、视频、Flash 这类非文字内容，也不能执行脚本和程序。

第四步：提供检索效劳，网站排名

搜索引擎在对信息停止组织和处置后，为用户提供关键字检索效劳，将用户检索相关的信息展现给用户。

同时会依据页面的PageRank值（链接的访问量排名）来停止网站排名，这样Rank值高的网站在搜索结果中会排名较前，当然也能够直接运用 Money 购置搜索引擎网站排名，简单粗暴。

课外阅读：Google搜索引擎的工作原理

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，而大多状况下，网页里90%的内容对用户来说都是无用的。

不同范畴、不同背景的用户常常具有不同的检索目的和需求，搜索引擎无法提供针对详细某个用户的搜索结果。

万维网数据方式的丰厚和网络技术的不时开展，图片、数据库、音频、视频多媒体等不同数据大量呈现，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，难以支持依据语义信息提出的查询，无法精确了解用户的详细需求。

针对这些状况，聚焦爬虫技术得以普遍运用。

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： 聚焦爬虫在施行网页抓取时会对内容停止处置挑选，尽量保证只抓取与需求相关的网页信息。

而我们今后要学习的，就是聚焦爬虫。

上一篇：当代打工人，用内容自救