网络爬虫概述

网络爬虫概述

一、定义

网络蜘蛛、网络机器人，抓取网络数据的程序。

其实就是用Python程序模仿人点击浏览器并访问网站，而且模仿的越逼真越好。

二、爬取数据目的

1、获取大量数据，用来做数据分析

2、公司项目的测试数据，公司业务所需数据

三、企业获取数据方式

1、公司自有数据

2、第三方数据平台购买(数据堂、贵阳大数据交易所)

3、爬虫爬取数据

四、python做爬虫的优势

1、Python ：请求模块、解析模块丰富成熟,强大的Scrapy网络爬虫框架

2、PHP ：对多线程、异步支持不太好

3、JAVA：代码笨重,代码量大

4、C/C++：虽然效率高,但是代码成型慢

五、爬虫分类

1、通用网络爬虫(搜索引擎使用,遵守robots协议)

robots协议 ：网站通过robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取，

通用网络爬虫需要遵守robots协议（君子协议）

https://www.taobao.com/robots.txt

2、聚焦网络爬虫 ：自己写的爬虫程序

六、爬虫爬取数据步骤

1、确定需要爬取的URL地址

2、由请求模块向URL地址发出请求,并得到网站的响应

3、从响应内容中提取所需数据

　　1、所需数据,保存

　　2、页面中有其他需要继续跟进的URL地址,继续第2步去发请求，如此循环