网络爬虫概述
一、定义
- 网络蜘蛛、网络机器人,抓取网络数据的程序。
- 其实就是用Python程序模仿人点击浏览器并访问网站,而且模仿的越逼真越好。
二、爬取数据目的
- 获取大量数据,用来做数据分析
- 公司项目的测试数据,公司业务所需数据
三、企业获取数据方式
- 公司自有数据
- 第三方数据平台购买(数据堂、贵阳大数据交易所)
- 爬虫爬取数据
四、python做爬虫的优势
1、Python :请求模块、解析模块丰富成熟,强大的Scrapy网络爬虫框架
2、PHP :对多线程、异步支持不太好
3、JAVA:代码笨重,代码量大
4、C/C++:虽然效率高,但是代码成型慢
五、爬虫分类
1、通用网络爬虫(搜索引擎使用,遵守robots协议)
robots协议 :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,
通用网络爬虫需要遵守robots协议(君子协议)
https://www.taobao.com/robots.txt
2、聚焦网络爬虫 :自己写的爬虫程序
六、爬虫爬取数据步骤
1、确定需要爬取的URL地址
2、由请求模块向URL地址发出请求,并得到网站的响应
3、从响应内容中提取所需数据
① 所需数据,保存
② 页面中有其他需要继续跟进的URL地址,继续第2步去发请求,如此循环