python爬虫1 简介

大家好，欢迎来到IT知识分享网。

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，也开始积累的数据
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、固定的样本监测，和各行各业的公司进行合作、专家对话（数据积累很多年，得到的科研成果）
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 
5. 爬虫爬取数据

二、什么是爬虫？
抓取网页数据的程序

三、如何抓取网页数据？
网页三大特征：
1. 每个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. 网页都是用HTTP/HTTPS（超文本传输协议）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/HTTPS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，保存下来
    b.如果是页面的其他URL，就继续执行第二布

四、为什么选择python做爬虫？
可以做爬虫的语言很多，如PHP、Java、C/C++、Python等等
PHP 虽然是世界上最好的语言，但天生不是干这个的，而且对多线程、异步支持不够好，并发支持能力弱
        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java语言本身很笨重，代码量很大
        重构成本高，任何修改都会导致代码的大量电动，爬虫经常需要修改部分
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，但不是正确的选择
python 语法有没、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，调用其他接口非常方便（胶水语言）

五、课程介绍
1. python基本语法知识
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、BeautifuiSoup4(bs4)、jsonpath、pyquery等
    使用某种描述性语言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）
    高性能高定制性（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-redis，在scrapy的基础上添加以redis数据库为核心的一套组件
    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
    爬虫做到最后，最头疼的不是复杂的页面，也不是晦涩的数据，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，是否值得去费劲做反爬虫
    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
    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、通用爬虫 聚焦爬虫
1.通用爬虫 搜索引擎用的爬虫系统
目标：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
抓取流程：
    a).首先选取一部分已有的URL，把这些URL放到待爬取队列
    b).从队列里去除这些URL，然后解析DNS得到主机IP，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
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
    2. 在其他网站设置网站的外链
    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
通用爬虫并不是万物皆可爬，需要遵守规则：
    robots协议：协议会知名通用爬虫可以爬取网页的权限
    robots.txt并不是所有爬虫都遵守，一般只有大型的搜索引擎爬虫遵守
    个人写的爬虫，就不管了
通用爬虫的工作流程：爬取网页→存储数据→内容处理→提供检索/排名服务

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，排名越靠前
    2. 竞价排名： 谁给钱多，谁排名就高

通用爬虫的缺点：
    1.只能提供文本相关的内容（HTML、Word、PDF）等，
    但不能提供多媒体（音乐、图片、视频）和二进制文件（程序、脚本等）
    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

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：会针对特定的内容去爬取信息，而且会保证