百度搜索引擎关键字URL采集爬虫优化行业定投方案高效获得行业流量-笔记篇

需要结合：《百度搜索引擎关键字URL采集爬虫优化行业定投方案高效获得行业流量-代码篇》一起学习

 

#百度搜索引擎关键字URL采集爬虫优化行业定投方案高效获得行业流量

 

#知识点

'''

1 网络爬虫

2 Python开发网络爬虫

3 requests库

4 文件操作

'''

 

#项目结构

'''

key.txt                 关键字文档，根据这个文档中的关键字进行爬取

demo.py               爬虫文件内容了

res/软件开发.txt    爬虫采集来的URL

'''

 

#在Pycharm中新建项目：C:...0501

#该项目暂时没有多线程和多进程

#在项目中新建脚本spider.py

 

#版本信息

'''

1 环境              python3

2 第三方模块  requests     安装方法 pip install requests

3 IDE               PyCharm

'''

 

#数据在哪里？爬取哪里的数据呢？

#打开浏览器，打开百度，在搜索框中输入“程序设计”  点击“百度一下”按钮，在百度返回的信息中，广告部分不要，其余部分的每个网站的网址

 

#爬虫其实就是在模拟浏览器，向目标网站发一个http请求，这个http请求是如何发送的呢？

#在浏览器按F12，可以帮助我们监控浏览器发送的请求，，90%以上的网站都是基于http请求的

#在搜索框中输入“程序设计”，点击 “百度一下”按钮之后，在Network栏会出现很多数据，每一条数据都代表一个http请求

 

#点击“百度一下”按钮之后，展示的页面超文本是什么样子的呢？ 在空白的地方右键-->"查看网页源代码"，就会发现网页其实就是一个html文本，经过浏览器处理，展示成用户看到的样子。前台看到的每一项信息都会是一个<a></a>标签，是一个超链接来的。

#所以首先需要找到html文本中的<a>标签中的超链接信息，在Network中的每个http请求的Respont栏下都有很多信息，想要拿到这个数据，就要去Headers栏下去找Request URL信息（如：Request URL:https://ss3.baidu.com/6ONWsjip0QIZ8tyhnq/ps_default.gif?_t=1525188253376）。

 

#要想访问一个网页首先需要知道的是，网址栏中的URL，如：https://www.baidu.com/s?wd=%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1&rsv_spt=1&rsv_iqid=0x967855b80019cdd1&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=0&rsv_sug3=3&rsv_sug1=2&rsv_sug7=100&inputT=643536&rsv_sug4=644636

 

 

#过一遍原理

#网络爬虫

'''  简单定义一下什么是爬虫

本质上就是一个程序，在获取text之前的这几行代码就是一个爬虫了

这个程序可以模拟浏览器自动去互联网上下载我们需要的网络资源

'''

 

#网络资源

'''

在互联网上能够访问到的图片、视频、网页、文件等

每一个网络资源，通过什么访问呢？

比如网页要通过网址来访问 url

'''

 

#url

'''

全球统一资源定位符

'''

 

#浏览器的工作流程

'''

第一步：浏览器先要访问某个资源，首先要有URL，根据这个URL去访问网络资源，这个url执行其对应的服务器，根据URL,浏览器发送HTTP请求(常用的两种方式get/post)

 

忽略服务器的处理环节了（毕竟不是web开发）

 

第二步：服务器把结果返还给浏览器，返回就是HTTP响应，正常情况下，正常返回的数据，浏览器会从中解包数据进行渲染、展示（如果是图片就展示成图片）给用户

 

不同的爬虫区别就在请求的部分了，根据爬的网站不同，get()需要带的参数就不同

'''

#爬虫的原理讲完了

#难在分析过程

#简单在就是发送一个http请求

 

#开发爬虫的几个步骤

'''

1，找到目标数据

        找到目标数据所在的页面或目标数据所在的url

 

2，找到数据的加载流程

        分析怎么发送http请求的

        

3，发送http请求

        模拟浏览器，在“浏览器的工作流程”中有介绍

        

4，提取数据

        数据清洗、处理

 

5，数据持久化

        入库或写入文件

'''

 

#获取到response之后，就是数据处理环节了，从返回的页面html中提取有用的信息，做数据清洗--这个环节就要用到正则表达式的内容了

 

分析出每一条返回的结果都会被class="result c-container"的div包裹，其中的 href = ""中的内容就是我们想要的URL，就要用正则表达式去从text中提取出这一部分内容，，这一部分尽量用正则表达式去写吧，BeautifulSoap等底层也是正则表达式，效率是没有直接用正则表达式高的。

 

#需要复习一下正则表达式的内容

 

#需要复习一下文件操作

 

#需要复习一个html的知识

 

#学习正则表达式的方法：

'''

    不要贪心，，很多人学习正则很贪心，以为只要看一下就能把所有元字符都学会，如果这么去想就是给自己找不痛快。

    需要逐个学习元字符，，每学一个元字符，要多练，自己设计字符串去匹配。不停地去写，直到把这个元字符弄懂弄透了。

    什么叫弄懂弄透了？就是3天以后再回来看，还能把它写出来。

'''

 

 

#学习方法：

#听课学习的是老师的思路，直到大概怎么做，课下再去研究。不会的时候再来看看视频，看看笔记。

 

 

#写代码方法：死去活来法

#先把程序写死，然后不停地优化，最后能让程序适应多种情况

 

 

#如何学习第三方库

#学习别人的代码，看文档知道怎么用就行了

 

 

----------------------------------------------爬虫部分学完了