什么是网络爬虫？
网络爬虫（又被称为网页蜘蛛，网络机器人）, 是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。
通俗的讲： 就是模拟客户端发起网络请求，接收请求的响应，按照一定的规则，自动的抓取互联网信息的程序。
原则上只要浏览器能够做的事情，爬虫都能够实现
网络爬虫介绍: https://baike.baidu.com/item/网络爬虫
1.爬虫的基本原理：
我们可以将互联网比喻为一张大网，网络爬虫我们想象为网上的蜘蛛，网页与网页之间的联系我们理解为节点，爬虫就相当于是访问网页，获取网页的信息，又通过节点可以爬取另一个网站，然后不停的通过一个个节点即访问一个个网页，这样网站的数据就可以被我们获取下来了。
2.爬虫有什么用途？
a. 搜索引擎
b. 比价工具（慧慧购物助手）
c. 大的资讯网站（jobbole,今日头条...）
爬虫分两类:
1.通用爬虫:通用爬虫是浏览器的重要组成部分,将互联网上所有的网页下载到本地,做了一个镜像备份，提取重要数据(过滤数据,分词,去广告....)
一. 通用爬虫(搜索引擎)的缺点:
(1.)需要循robot协议:Robots协议(也称为爬虫协议,机器人协议)的全称是“网络爬虫排除标准”（RobotsExclusion Protocol），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。
(2.)搜索引擎返回的结果千篇一律没有很好的针对性,不能够特殊的用户群体返回对应的数据
(3.)搜索引擎一般情况下获取的文本信息,处理图像,音频,视频多媒体还是有困难的,
2.聚焦爬虫:是面向主题的爬虫,由需求产生,是一种定向的爬虫,在爬虫网页数据的时候,会对网页数据进行一些塞选,保证捉取和需求相关的数据，以后我们更多的就是实现聚焦爬虫
做爬虫需要掌握的基本知识?
1.python的基本语法
2.前端知识
3.数据持久化的知识
4.了解基本的反爬虫的手段(header请求头,验证码,cookies,代理)
5.静态页面和动态页面（ajax,js）,selenium(获取页面源码是经过浏览器渲染之后的最终结果)
6.多任务处理,爬虫框架,分布式爬虫....
搜索引擎的爬取的url通过什么方式获取的??
1.通过网站的外挂
2.通过网页的url:(百度:http://zhanzhang.baidu.com/linksubmit/url)
3.各大搜索引擎公司也会和DNS服务商合作
如何实现一个爬虫?
(1).找到目标url
(2).根据url发起请求
(3).解析响应结果:
--- a.提取目标数据
--- b.如何存在新的url,进一步提取(会执行1-3这个循环)
(4).爬虫结束:所有符合条件的url请求全部获取完毕,以为着爬虫结束
网站的三大特性：
１．每一个资源都一个url(统一资源定位符)，是唯一的
２．网页都是使用HTML（超文本）文本展示数据的
３．通过HTTP/HTTPS(超文本传输协议),获取和传递HTML
大数据时代:数据如何产生?
1.大的公司大的企业：通过用户产生的数据
２．大的数据平台：通过收集或者和其他企业或者公司合作
３．国家政府／大的机构：通过省县乡或者其他方式统计汇总产生的
４．数据咨询公司：通过收集或者和其他企业或者公司合作,会根据数据做分析对比形成报表，给你做数据参考
５．最终假如以上方式都不能满足的时候，我们就需要一个爬虫工程师，去专门做数据的提取
为什么要使用python做爬虫?
PHP,java,c/c++,python......
PHP:可以用来做爬虫,但是对多任务的支持不是太好,爬虫是对象要求比较高的,所以说PHP天生不是干这个事情的
JAVA :生态圈很完善,并且用途非常广范(后端,移动端....),java做爬虫是python最大的竞争对手,但是java代码量比较大,重构的成本比较高.
c/c++:肯定是可以完成爬虫这件事的,并且运行的效果是非常高的,但是学习的门槛非常高，各个模块可能需要你自己封装和定制．（能使用c/c++的人一般比较nb）
python:语法简介，代码优美，可读性高，并且对各模块的支持比较好，有很多强大的三方包，对多任务的处理也比较好，urllib,requests都能够很好的帮助我们实现一个爬虫项目，解析的库也非常多（lxml,bs4，pyquery...）,并且还有强大的scrapy爬虫框架和scrapy_redis分布式爬虫框架．并且python作为一门胶水语言，对于其他语言的调度也是非常方便的．
HTTP:超文本传输协议,主要使用来将html文本传输到本地浏览器
https:作用和http一致,只是多了ssl(安全套接字),保证数据传输的安全性
1.建立一个安全有效的数据传输通道,保证数据的安全性,
2.保证网站的真实性和有效性
** url组成部分:**
1.scheme：协议
2.host:指的是域或者ip
3.port:端口
4.path:资源路径
5.query-string：请求的参数
6.anchor:锚点，主要是实现页面的定位作用
请求头：
User-Agent:模拟浏览器加载
Cookies:携带cookies第一可以维持会话，告诉浏览器用户的身份信息
Refere:告诉浏览器，当前请求，是从哪个页面发起的．
常见的状态码：
2xx：表示服务器成功接收请求并已完成整个处理过程。
200：OK 请求成功
3xx：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、 常用
301: 永久重定向
302：临时重定向（所请求的页面已经临时转移至新的url）
4xx：客户端的请求有错误.
400:错误请求，服务器无法解析请求
401:未授权，没有进行身份验证
403:服务器拒绝访问
404:服务器无法找到被请求的网页
408:请求超时
5xx:服务器端出现错误
500:服务器内部错误
501:服务器不具备完成请求的功能
503:服务器不可用
BNS:将我们的域名转化为ip的一种技术
网友评论