爬虫之概述

概述

抓取网络资源的机器人

一、概述

1.定义

网络蜘蛛、网络机器人、抓取网络资源的程序

其实就是用python程序模拟人为点击浏览器并访问网站，而且模仿的月逼真越好

2. 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

企业获取数据的方式

• 公司自有数据
• 第三方品台购买（数据堂、贵阳大数据交易所）
• 爬虫爬取数据（第三方平台没有或者价格太高）

3. 优势

• Python：请求模块、解析模块丰富成熟，强大的Scrapy网络爬虫框架
• PHP：对线程、异步支持不太好
• JAVA：代码笨重、代码量大
• C/C++：虽然效率高，但是代码成型慢

4. 分类

• 通用网络爬虫（搜索引擎使用，遵循robots协议）

  robots协议：网站通过robots协议告诉搜索引擎哪些页面也可抓，哪些不能抓

  通用网络爬虫需要遵循robots协议（君子协议）

• 聚焦网络爬虫：自己写的爬虫程序

二、编码问题

万能方法：

import requests
html = requests.get(url="http:www.cnblogs.com/chancey/")
html = html.content.decode("utf-8")

在Windows上新建的任何数据文件都是国标编码，而在Linux上创建的文件都是utf-8编码

互转方法

在Windows上

在Linux上

import csv
with open("test.csv", "w") as f:
    writer = csv.writer(f)
    # 写一行(列表嵌套)
    writer.wrterow(["小明", 25])
    # 写多行（列表里面嵌套元组）
    writer.wrterows([("小红", 18), ("小黑", 20), ("小花", 36)])

import csv

with open("test.csv", "w") as f:
    writer = csv.writer(f)

    # 写一行
    writer.writerow(["小明", 25])
    writer.writerow(["小小", 7])

    # 写多行
    writer.writerows([("小红", 18), ("小黑", 20), ("小花", 36)])
    writer.writerows([("小瓜", 18), ("小洋", 20), ("小菲", 36)])

如果将这段代码cv到Windows机器上，会出现如下的情况

莫名其妙会出现空行，改动代码，即添加参数即可

with open("demo.csv", "w", newline="") as f

三、持久化

• 本地文件
• 数据库（mysql、mongodb）

四、基本思路

class Spider(object):
    def __init__ (self:)
    	# 初始化所有变量
    	pass
    def get_page (self):
        # 获取源码
        pass
    def parse_page (self):
        # 解析源码
        pass
    def write_page (self):
        # 保存数据
        pass
    def main (self):
        # 主函数
        pass
if __name__ == "__main__":
    spider = Spider()
    spider.main()