爬虫——基本原理
Posted 2sheep2simple
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫——基本原理相关的知识,希望对你有一定的参考价值。
一、概述
简单来说,爬虫就是获取网页并提取和保存信息的自动化程序。
1.获取网页
使用urllib、request可以向网站的服务器发送一个请求,服务器返回的是网页的源代码。
2.提取信息
当我们获取到网页源代码之后,我们需要分析网页源代码,并从中提取我们想要的数据。最通常的办法是使用正则表达式提取,这是一个万能的办法,但是在构造正则表达式时比较复杂且容易出错。
另外,由于网页的结构具有一定的规则,所以还有一些网页节点属性、CSS选择器或者XPath来提取网页信息的库,如BS、pyquery、lxml等。使用这些库,我们可以高校的爬去信息,如节点的属性、文本值等待。
3.保存数据
提取信息以后,我们需要将提取到数据保存到某处以便今后使用。保存形式可以为TXT文本或者JSON文本,也可以保存到数据库,如mysql和MongoDB等。也可以保存奥远程服务器,如借助SFTP进行操作等。
4.自动化程序
说到自动化程序,意思是说爬虫可以代替人完成这些操作。首先,手工可以提取这些信息,但是当信息量特别大或者想快速获取大量数据时,肯定还是要借助程序。爬虫就是来替我们完成这份爬取工作的自动化程序,它可以在抓取过程中进行各种异常处理、错误重试等操作,确保高效地运行。
以上是关于爬虫——基本原理的主要内容,如果未能解决你的问题,请参考以下文章