几年前由于互联网和大数据的火热，于是之前一直隐藏于黑暗中的爬虫也跟着走近了大众的视野……爬虫在互联网上无处不在，国内外的各大搜索引擎都是基于爬虫抓取信息后检索的，所以说“互联网上50%的流量都是爬虫创造的”这一点都不为过。大家对于爬虫可以说是既熟悉又陌生，几乎每天大家的工作或生活中都会直接或间接使用到爬虫，可是它看不到摸不着，又不清楚它到底是什么！此外，公众号里面有许多测试童鞋，当开发技术到达一定的高度瓶颈后，不知道后续该如何提升了？我想说做做爬虫项目吧，这是最贴近测试技能的开发实战项目，没有之一！
那么今天的爬虫扫盲，我觉得讲完下面这几个问题大家应该就能有一个清晰的认识了：爬虫究竟是一个什么形式的存在？它究竟做了哪些事情？它能为个人、企业或组织带来什么利益？
爬虫的表现形式
辩证唯物思想告诉我们，认识一个事物最好的方式就是了解事物的表现形式（马克思：我没说过！！），爬虫的表现形式我觉得可以用一个很形象的例子来类比：蜘蛛和蜘蛛网，把互联网看成是一张蜘蛛网，那么爬虫就是在网上爬来爬去的蜘蛛，爬虫在网上爬来爬去的主要目的就是为了采集数据。
爬虫主要做了哪些事情？
爬虫的主要目的是爬取目标数据，但是为了达到这个目的，还需要做很多辅助工作，比如前期的目标URL提取或页面分析，以及爬虫身份的隐藏、爬虫的调度和容错处理等，还有最后的数据清洗和入库。一个完整的爬虫程序应该是包含分析、爬取到入库等一系列流程的，为了直观我就画一个图来表示吧。
上图只是一个单纯的爬虫流程示例，如果还需要加上分布式和并发功能等，就需要继续完成任务调度功能，比如前期已经解析出了URL，并发现了URL的数据分页关系，假定用pageNum来表示分页index，那么完全可以一次并发10个线程去跑10个任务，每个任务就是爬取指定URL的的数据，这样就可以大大提高爬取效率。此外，前面还提到过容错处理，这里也说明一下，爬虫在爬取过程中有时可能会遇到突发异常，比如目标服务器异常，网络异常，对方实施了反扒策略等，这种情况我们也需要分别考虑到，通常需要加入重试机制，你可以自己定义什么类型的异常需要加入重试，比如请求失败，这可能被对方屏蔽了，也可能网络出现了震荡，所以这时候重试2次看看，如果重试还是失败，那么就可以放弃这次爬取任务了，你可以将失败的任务记录下来，后面等空闲或等实现失败任务定时调度功能，等待下一次的再次调度，并设置一个最大的调度失败次数（比如3），超过这个次数，移除这个任务，以后都不用考虑了。
爬虫的收益
爬虫的主要目的就是爬取数据，那么爬虫的收益当然就是来自于爬取的数据，这些数据有什么用呢？了解大数据的童鞋应该会知道大数据生态的基础就是数据，没有海量的数据还谈什么大数据！所以爬虫是大数据中数据采集环节的重要方式之一（有平台和客户端的，就采取埋点数据上报的方式获取，没有就合作或爬咯），所以说爬虫的直接收益体现在数据上，简洁收益体现在后期的数据分析上。利用这些数据可以为你的决策提供依据支持和方向预测，举个例子，各大电商平台的商品价格有时喜欢偷偷提价或打折，那么如何监控？现在电商平台那么多，那我们怎么知道天猫、京东、苏宁等电商平台的价格情况？总不能人工去盯着吧，所以让爬虫定时去爬取对应商品的价格信息，生成价格曲线，这样对比就很明朗了，什么时候哪个平台促销打折了一目了然。
网友评论