python爬虫-入门-了解爬虫

作为一个爬虫新手，我觉得首先要了解爬虫是的作用以及应用。

作用：通过爬虫获取网页内的信息。包括：标题（title）图片（image）链接（url）等等

应用：抽取所需信息，进行数据汇总及分析（从事网页测试、数据分析工作很容易用到）

 

然后，了解一下爬虫前需要获取哪些信息。

1.哪些网站爬取时有哪些限制

检查robots文件，

user-agent:　　Badcrawler  禁止用户代理Badcrawler　　　　user-agent　　·　　　允许用户代理访问

crawl-delay： 　　5　　用户代理在两次下载请求间给出5s抓取延迟

Disallow： /trap　　禁止访问/trap链接，如果访问此链接 会禁止访问端的访问权限

Sitemap： http://example.webscraping.com/sitemap.xml　　定义了一个文件Sitemap（网站地图）

 

2.检查网站地图

通过Sitemap文件可以帮爬虫定位最新的内容，而无需爬取每一个网页。当然，这个文件也会存在缺失，过期等不完整问题

 

3.估算网站大小（这个比较复杂，暂时没看明白）

估算网站的大小，使用正确的方法

 

4.了解网站所用的技术及网站所有者

#导入检查网站结构的技术类型模块
import builtwith
#导入协议或域名查询模块
import whois
parse = builtwith.parse('http://example.webscraping.com')
print(parse)
添加 builtwith 以及 whois 库