Python3网络爬虫——爬虫基本原理

目录

1、网络爬虫概述

2、爬虫基本流程

3、爬虫基础知识

---

1、网络爬虫概述

爬虫就是请求网站并提取数据的自动化程序

网络爬虫（Web Spider），又被称为网页蜘蛛，是一种按照一定的规则，自动地抓取网站信息的程序或者脚本。

网络蜘蛛是通过网页的链接地址来寻找网页，从网站某一个页面开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。

2、爬虫基本流程

例：

• ①先由urllib的request打开Url得到网页html文档
• ②浏览器打开网页源代码分析元素节点
• ③通过Beautiful Soup或则正则表达式提取想要的数据
• ④存储数据到本地磁盘或数据库（抓取，分析，存储）

3、爬虫基础知识

基础库

• scrapy

• requests

• beautifulsoup

网页分类

• 静态网页

• 动态网页

• webservice(restapi)

爬虫作用

• 搜索引擎（百度、Google、垂直领域搜索引擎）

• 推荐引擎（今日头条）

• 机器学习的数据样本

• 数据分析（如金融领域数据分析）、舆情分析

正则表达式

Mysql和Navicat的安装和使用

网站的树结构及其深度优先遍历和广度优先遍历

爬虫去重策略