資訊專欄INFORMATION COLUMN
摘要：學習爬蟲的背景了解。但是搜索引擎蜘蛛的爬行是被輸入了一定的規則的，它需要遵從一些命令或文件的內容，如標注為的鏈接，或者是協議。不同領域不同背景的用戶往往具有不同的檢索目的和需求，搜索引擎無法提供針對具體某個用戶的搜索結果。
學習python爬蟲的背景了解。大數據時代數據獲取方式
如今，人類社會已經進入了大數據時代，數據已經成為必不可少的部分，可見數據的獲取非常重要，而數據的獲取的方式大概有下面幾種。
企業生產的數據，大型互聯網公司有海量的用戶，所以他們積累數據有天然的優勢
數據管理資訊公司
政府/機構提供的公開數據
第三方數據平臺購買數據
爬蟲爬取數據
互聯網數據指數
百度指數
阿里指數
騰訊指數
新浪指數
政府機構數據
中華國家統計局
世界銀行數據
nasdaq股票市場
UNdata
數據管理咨詢公司
艾瑞數據
麥肯錫
埃森哲
第三方數據市場
數據堂
貴陽大數據交易所
國云數據
如果市場上沒有我們要的數據，或者價格太高不愿購買，那么就需要使用爬蟲來獲得想要的數據了。
爬蟲介紹什么是爬蟲？
簡單來說就是用來抓取網頁數據的程序。
爬蟲是怎么抓取網頁數據的？
這里需要了解網頁三大特征
網頁都有自己唯一的URL(統一資源定位符)來進行定位。
網頁都使用HTML(超文本標記語言)來描述頁面信息。
網頁都使用HTTP/HTTPS(超文本傳輸協議)協議來傳輸HTML數據
爬蟲的設計思路
首先確定要爬取的網頁URL地址
通過HTTP/HTTPS協議來獲取對于的HTML頁面
提取HTML里面有用的數據
如果是有用的數據，那么就保存起來，如果是頁面里有其他URL，那么就繼續執行第二步
如何抓取HTML頁面
HTTP請求的處理:urllib,requests
處理后的請求可以模擬瀏覽器發送請求，獲取服務器響應的文件
如何解析服務器響應的內容
使用某種描述性一樣，來給我們需要提取的數據定義一個匹配規則，符合這個規則的數據就會被匹配。
re、xpath、BeautifulSoup4(BS4)、jsonpath、pyquery等
如何采集動態HTML，驗證碼的處理
通用的動態頁面采集:selenium+phantomJS
Tesseract:機器學習庫，機器圖像識別系統，可以處理簡單驗證碼
Scrapy框架
爬蟲后續還需要使用到scrapy框架，高定制性，高性能，數據下載速度快，提供了數據存儲，數據下載，提取規則等組件。
通用爬蟲
通用網絡爬蟲是捜索引擎抓取系統（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將互聯網上的網頁下載到本地，形成一個互聯網內容的鏡像備份。
目標
通用爬蟲就是盡可能把互聯網上所有的網頁下載下來，放到本地服務器備份，再對這些網頁進行相關處理(提取關鍵字，去除廣告等)，最后提供一個用戶檢索接口。
通用爬蟲的抓取流程
第一步
首先選取一部分的種子URL，將這些URL放入待抓取URL隊列；
取出待抓取URL，解析DNS得到主機的IP，并將URL對應的網頁下載下來，存儲進已下載網頁庫中，并且將這些URL放進已抓取URL隊列。
分析已抓取URL隊列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊列，從而進入下一個循環....
搜索引擎如何獲取一個新網站的URL：
新網站向搜索引擎主動提交網址：（如百度http://zhanzhang.baidu.com/li...）
在其他網站上設置新網站外鏈（盡可能處于搜索引擎爬蟲爬取范圍）
搜索引擎和DNS解析服務商(如DNSPod等）合作，新網站域名將被迅速抓取。
但是搜索引擎蜘蛛的爬行是被輸入了一定的規則的，它需要遵從一些命令或文件的內容，如標注為nofollow的鏈接，或者是Robots協議。
Robots協議（也叫爬蟲協議、機器人協議等），全稱是“網絡爬蟲排除標準”（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，例如：
淘寶網：https://www.taobao.com/robots...
騰訊網： http://www.qq.com/robots.txt
第二步：數據存儲
搜索引擎通過爬蟲爬取到的網頁，將數據存入原始頁面數據庫。其中的頁面數據與用戶瀏覽器得到的HTML是完全一樣的。
搜索引擎蜘蛛在抓取頁面時，也做一定的重復內容檢測，一旦遇到訪問權重很低的網站上有大量抄襲、采集或者復制的內容，很可能就不再爬行。
第三步：預處理
搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預處理。
提取文字
中文分詞
消除噪音（比如版權聲明文字、導航條、廣告等……）
索引處理
鏈接關系計算
特殊文件處理等等
除了HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經常會看到這些文件類型。
但搜索引擎還不能處理圖片、視頻、Flash 這類非文字內容，也不能執行腳本和程序。
第四步：提供檢索服務，網站排名
搜索引擎在對信息進行組織和處理后，為用戶提供關鍵字檢索服務，將用戶檢索相關的信息展示給用戶。
同時會根據頁面的PageRank值（鏈接的訪問量排名）來進行網站排名，這樣Rank值高的網站在搜索結果中會排名較前，當然也可以直接使用 Money 購買搜索引擎網站排名，簡單粗暴。
但是，這些通用性搜索引擎也存在著一定的局限性：
通用搜索引擎所返回的結果都是網頁，而大多情況下，網頁里90%的內容對用戶來說都是無用的。
不同領域、不同背景的用戶往往具有不同的檢索目的和需求，搜索引擎無法提供針對具體某個用戶的搜索結果。
萬維網數據形式的豐富和網絡技術的不斷發展，圖片、數據庫、音頻、視頻多媒體等不同數據大量出現，通用搜索引擎對這些文件無能為力，不能很好地發現和獲取。
通用搜索引擎大多提供基于關鍵字的檢索，難以支持根據語義信息提出的查詢，無法準確理解用戶的具體需求。
針對這些情況，聚焦爬蟲技術得以廣泛使用。
聚焦爬蟲
聚焦爬蟲，是"面向特定主題需求"的一種網絡爬蟲程序，它與通用搜索引擎爬蟲的區別在于： 聚焦爬蟲在實施網頁抓取時會對內容進行處理篩選，盡量保證只抓取與需求相關的網頁信息。
而我們學的爬蟲大多是聚焦爬蟲！
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/43151.html
摘要：學習筆記七數學形態學關注的是圖像中的形狀，它提供了一些方法用于檢測形狀和改變形狀。學習筆記十一尺度不變特征變換，簡稱是圖像局部特征提取的現代方法基于區域圖像塊的分析。本文的目的是簡明扼要地說明的編碼機制，并給出一些建議。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 開始之前，我們先來看這樣一個提問： pyth...
摘要：時間永遠都過得那么快，一晃從年注冊，到現在已經過去了年那些被我藏在收藏夾吃灰的文章，已經太多了，是時候把他們整理一下了。那是因為收藏夾太亂，橡皮擦給設置私密了，不收拾不好看呀。 ...
摘要：理解迭代對象迭代器生成器后端掘金本文源自作者的一篇博文，原文是，俺寫的這篇文章是按照自己的理解做的參考翻譯。比較的是兩個對象的內容是后端掘金黑魔法之協程異步后端掘金本文為作者原創，轉載請先與作者聯系。 完全理解關鍵字with與上下文管理器 - 掘金如果你有閱讀源碼的習慣，可能會看到一些優秀的代碼經常出現帶有 with 關鍵字的語句，它通常用在什么場景呢？今天就來說說 with 和 上下...
閱讀 3477·2021-09-22 15:02
閱讀 3524·2021-09-02 15:21
閱讀 2141·2019-08-30 15:55
閱讀 2789·2019-08-30 15:44
閱讀 789·2019-08-29 16:56
閱讀 2422·2019-08-23 18:22
閱讀 3349·2019-08-23 12:20
閱讀 3097·2019-08-23 11:28
