(PY爬虫03)爬虫初识

Posted 2021-01-09 bignote

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了(PY爬虫03)爬虫初识相关的知识，希望对你有一定的参考价值。

原本的想法是这样的:博客整理知识学习的同时,也记录点心情...集中式学习就没这么多好记录的了! 要学习一门技术,首先要简单认识一下爬虫!其实可以参考爬虫第一章! 整体上介绍该技术包含技能,具体能做什么.这里就更详细了

重点在这里

首先请问: 都说现在是大数据时代. ,那数据从哪来?

企业产生的用户数据:
大型互联网公司有海量用户，所以他们积累数据有天然的优势。有数据意识的中小型企业，也开始积累的数据。
百度指数
 阿里指数
 TBI腾讯浏览指数
 新浪微博指数
政府/机构公开的数据:
政府通过各地政府统计上报的数据进行合并；机构都是权威的第三方网站。
中华人民共和国统计局数据
 世界银行公开数据
 联合国数据
 纳斯达克
数据平台购买的数据:
通过各个数据交易平台来购买各行各业需要的数据，根据获取难度不同，价格也会不同。
数据堂
 聚合数据
 国云数据市场
 贵阳大数据交易所
数据管理咨询公司:
常这样的公司有很庞大的数据采集团队，一般会通过市场调研、问卷调查、固定的样本检测，和各行各业的公司进行合作、专家对话（数据积累很多年了，最后得出科研结果）来采集数据。
麦肯锡
 埃森哲
 艾瑞咨询
爬取网络数据:
如果需要市场上没有,或者不愿意花钱购买,那么可以招聘爬虫工程师自己丰衣足食! 拉勾网爬虫职位

爬虫：就是抓取网页数据的程序。

这里感觉是废话! 都会说:赚钱就学呗! 其实了解其他语言的特性也是一种资历!!! 都没接触过哪敢吹!

可以做爬虫的语言有很多，如 php、Java、C/C++、Python等等...

PHP 为做网站而生，而且对多线程、异步支持不够好，并发处理能力很弱。爬虫是工具性程序，对速度和效率要求比较高。
Java 的网络爬虫生态圈也很完善，是Python爬虫最大的对手。但是Java语言本身很笨重，代码量很大,难度高。重构成本比较高，任何修改都会导致代码的大量变动。爬虫经常需要修改部分采集代码。
C/C++ 运行效率和性能几乎最强，但是学习成本很高，代码成型比较慢。能用C/C++做爬虫，只能说是能力的表现，但是不是正确的选择。
- Python 语法优美、代码简洁、开发效率高、支持的模块多，相关的HTTP请求模块和HTML解析模块非常丰富。还有强大的爬虫Scrapy，以及成熟高效的 scrapy-redis分布式策略。而且，调用其他接口也非常方便（胶水语言）

基础语法(这个必须已经搞定)
如何抓取HTML页面:
- HTTP 请求处理, urllib, urllib2, requests
- 处理后的请求可以模拟浏览器发送请求,后去服务器响应的文件
数据提取
- 解析服务器响应的内容, re,xpath,BeautifulSoup4(bs4),jsonpath,puquery等
- 使用某个匹配规则提取数据,符合这个规则的数据就会被匹配!
如何采集动态HTML,验证码的处理
- 通用的动态页面采集: Selenium + PhantoJS(无界面) : 模拟真实浏览器加载js,ajax等非静态页面数据
- Tesseract :机器学习库，机器图像识别系统，可以处理简单的验证码，复杂的验证码可以通过手动输入/专门的打码平台

5.Scrapy框架(Scrapy,Pysplider)
高定制性高性能（异步网络框架twisted），所以数据下载速度非常快，提供了数据存储、数据下载、提取规则等组件。

分布式策略scrapy-reids
scrapy-redis，在Scrapy的基础上添加了一套以 Redis 数据库为核心的组件。让Scrapy框架支持分布式的功能，主要在Redis里做请求指纹去重、请求分配、数据临时存储。
爬虫- 反爬虫- 反反爬虫之间的斗争:
- 其实爬虫做到最后，最头疼的不是复杂的页面，也是晦涩的数据，而是网站另一边的反爬虫人员。
- User-Agent、代理、验证码、动态数据加载、加密数据。
- 数据价值，是否值的去费劲做反爬虫。
  1. 机器成本 + 人力成本 > 数据价值，就不反了，一般做到封IP就结束了。
  2. 面子的战争....
爬虫和反爬虫之间的斗争，最后一定是爬虫获胜！为什么？只要是真实用户可以浏览的网页数据，爬虫就一定能爬下来！

以上是关于(PY爬虫03)爬虫初识的主要内容，如果未能解决你的问题，请参考以下文章