爬虫（一）初识爬虫
爬虫
获取互联网上的信息
- 数据挖掘
- 数据清洗
代码语言
python
大数据时代获取信息途径
- 企业生产的用户数据：百度指数、阿里指数、TBI、腾讯浏览器指数、新浪微博指数
- 数据平台购买数据：数据堂、国云数据市场、贵阳大数据交易所
- 政府/机构公开的数据：中华人民共和国统计局数据、世界银行公开数据、联合国数据、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：如果需要的数据市场上没有，或者不愿意购买，name可以选择招/做一名爬虫工程师，自己动手丰衣足食。
数据挖掘和数据清洗
通用爬虫和聚焦爬虫
根据使用场景，网络爬虫可以分为 通用爬虫 和 聚焦爬虫 两种
通用爬虫
通用网络爬虫是搜索引擎抓取系统（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。
第一步：抓取网页
搜索引擎网络爬虫的基本工作流程如下：
- 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，并将对应的网页下载下来，存进已下载网页库中，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...
第二步：数据存储
搜索引擎通过爬虫到的网页，将数据存入原始数据库。其中的页面数据与用户浏览得到的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
- 清除噪音（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
- ......
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，这些搜索引擎也存在这一定的局限性：
- 通用搜索引擎所返回的结果都是网页，而大多数情况下，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科技技术的不断发展，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。
而我们要学习使用的，就是聚焦爬虫
体验-跳过限制爬取音乐资源
打开【好听轻音乐网】
https:htqyy.com
请求和响应
所有网站都要一个服务器
URL
说白了就是网址
HTTP的请求和响应
基本格式：scheme://host[:port#]/path/.../[?query-string][#anchor]
- scheme：协议（例如：http、https）
- host：服务器的IP地址或者域名
- port#：服务器的端口（如果是走协议默认端口，缺省端口80）
- path：访问资源的路径
- query-string：参数，发送给http服务器的数据
- anchor：锚（跳转到网页的指定锚点位置）
例如：
ftp://192.168.0.116:8080/index
http://item.dj.com/11936238.html#product-detail
Get和Post
GET是从服务器上获取数据，POST是向服务器传送数据
注意：避免使用Get方式提交表单，因为有可能会导致安全问题。比如说在登录表单中用Get方式，用户输入的用户名和密码将在地址栏中暴露无疑。
浙公网安备 33010602011771号