摘要：學(xué)習(xí)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(guī)則的，它需要遵從一些命令或文件的內(nèi)容，如標(biāo)注為的鏈接，或者是協(xié)議。不同領(lǐng)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(jié)果。

學(xué)習(xí)python爬蟲的背景了解。

如今，人類社會已經(jīng)進(jìn)入了大數(shù)據(jù)時代，數(shù)據(jù)已經(jīng)成為必不可少的部分，可見數(shù)據(jù)的獲取非常重要，而數(shù)據(jù)的獲取的方式大概有下面幾種。

企業(yè)生產(chǎn)的數(shù)據(jù)，大型互聯(lián)網(wǎng)公司有海量的用戶，所以他們積累數(shù)據(jù)有天然的優(yōu)勢

數(shù)據(jù)管理資訊公司

政府/機(jī)構(gòu)提供的公開數(shù)據(jù)

第三方數(shù)據(jù)平臺購買數(shù)據(jù)

爬蟲爬取數(shù)據(jù)

互聯(lián)網(wǎng)數(shù)據(jù)指數(shù)

百度指數(shù)

阿里指數(shù)

騰訊指數(shù)

新浪指數(shù)

政府機(jī)構(gòu)數(shù)據(jù)

中華國家統(tǒng)計(jì)局

世界銀行數(shù)據(jù)

nasdaq股票市場

UNdata

數(shù)據(jù)管理咨詢公司

艾瑞數(shù)據(jù)

麥肯錫

埃森哲

第三方數(shù)據(jù)市場

數(shù)據(jù)堂

貴陽大數(shù)據(jù)交易所

國云數(shù)據(jù)

如果市場上沒有我們要的數(shù)據(jù)，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(shù)據(jù)了。

什么是爬蟲？
簡單來說就是用來抓取網(wǎng)頁數(shù)據(jù)的程序。

爬蟲是怎么抓取網(wǎng)頁數(shù)據(jù)的？
這里需要了解網(wǎng)頁三大特征

網(wǎng)頁都有自己唯一的URL(統(tǒng)一資源定位符)來進(jìn)行定位。

網(wǎng)頁都使用HTML(超文本標(biāo)記語言)來描述頁面信息。

網(wǎng)頁都使用HTTP/HTTPS(超文本傳輸協(xié)議)協(xié)議來傳輸HTML數(shù)據(jù)

爬蟲的設(shè)計(jì)思路

首先確定要爬取的網(wǎng)頁URL地址

通過HTTP/HTTPS協(xié)議來獲取對于的HTML頁面

提取HTML里面有用的數(shù)據(jù)

如果是有用的數(shù)據(jù)，那么就保存起來，如果是頁面里有其他URL，那么就繼續(xù)執(zhí)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(fā)送請求，獲取服務(wù)器響應(yīng)的文件

如何解析服務(wù)器響應(yīng)的內(nèi)容
使用某種描述性一樣，來給我們需要提取的數(shù)據(jù)定義一個匹配規(guī)則，符合這個規(guī)則的數(shù)據(jù)就會被匹配。
re、xpath、BeautifulSoup4(BS4)、jsonpath、pyquery等

如何采集動態(tài)HTML，驗(yàn)證碼的處理

通用的動態(tài)頁面采集:selenium+phantomJS

Tesseract:機(jī)器學(xué)習(xí)庫，機(jī)器圖像識別系統(tǒng)，可以處理簡單驗(yàn)證碼

Scrapy框架
爬蟲后續(xù)還需要使用到scrapy框架，高定制性，高性能，數(shù)據(jù)下載速度快，提供了數(shù)據(jù)存儲，數(shù)據(jù)下載，提取規(guī)則等組件。

通用爬蟲
通用網(wǎng)絡(luò)爬蟲是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。

目標(biāo)
通用爬蟲就是盡可能把互聯(lián)網(wǎng)上所有的網(wǎng)頁下載下來，放到本地服務(wù)器備份，再對這些網(wǎng)頁進(jìn)行相關(guān)處理(提取關(guān)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(duì)列；

取出待抓取URL，解析DNS得到主機(jī)的IP，并將URL對應(yīng)的網(wǎng)頁下載下來，存儲進(jìn)已下載網(wǎng)頁庫中，并且將這些URL放進(jìn)已抓取URL隊(duì)列。

分析已抓取URL隊(duì)列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊(duì)列，從而進(jìn)入下一個循環(huán)....

搜索引擎如何獲取一個新網(wǎng)站的URL：

新網(wǎng)站向搜索引擎主動提交網(wǎng)址：（如百度http://zhanzhang.baidu.com/li...）

在其他網(wǎng)站上設(shè)置新網(wǎng)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(wù)商(如DNSPod等）合作，新網(wǎng)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(guī)則的，它需要遵從一些命令或文件的內(nèi)容，如標(biāo)注為nofollow的鏈接，或者是Robots協(xié)議。

Robots協(xié)議（也叫爬蟲協(xié)議、機(jī)器人協(xié)議等），全稱是“網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol），網(wǎng)站通過Robots協(xié)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(wǎng)：https://www.taobao.com/robots...

騰訊網(wǎng)： http://www.qq.com/robots.txt

第二步：數(shù)據(jù)存儲
搜索引擎通過爬蟲爬取到的網(wǎng)頁，將數(shù)據(jù)存入原始頁面數(shù)據(jù)庫。其中的頁面數(shù)據(jù)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(fù)內(nèi)容檢測，一旦遇到訪問權(quán)重很低的網(wǎng)站上有大量抄襲、采集或者復(fù)制的內(nèi)容，很可能就不再爬行。

第三步：預(yù)處理
搜索引擎將爬蟲抓取回來的頁面，進(jìn)行各種步驟的預(yù)處理。

提取文字

中文分詞

消除噪音（比如版權(quán)聲明文字、導(dǎo)航條、廣告等……）

索引處理

鏈接關(guān)系計(jì)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(chǔ)的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結(jié)果中也經(jīng)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(nèi)容，也不能執(zhí)行腳本和程序。

第四步：提供檢索服務(wù)，網(wǎng)站排名
搜索引擎在對信息進(jìn)行組織和處理后，為用戶提供關(guān)鍵字檢索服務(wù)，將用戶檢索相關(guān)的信息展示給用戶。

同時會根據(jù)頁面的PageRank值（鏈接的訪問量排名）來進(jìn)行網(wǎng)站排名，這樣Rank值高的網(wǎng)站在搜索結(jié)果中會排名較前，當(dāng)然也可以直接使用 Money 購買搜索引擎網(wǎng)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(jié)果都是網(wǎng)頁，而大多情況下，網(wǎng)頁里90%的內(nèi)容對用戶來說都是無用的。

不同領(lǐng)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(jié)果。

萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，圖片、數(shù)據(jù)庫、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎對這些文件無能為力，不能很好地發(fā)現(xiàn)和獲取。

通用搜索引擎大多提供基于關(guān)鍵字的檢索，難以支持根據(jù)語義信息提出的查詢，無法準(zhǔn)確理解用戶的具體需求。

針對這些情況，聚焦爬蟲技術(shù)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(wǎng)絡(luò)爬蟲程序，它與通用搜索引擎爬蟲的區(qū)別在于： 聚焦爬蟲在實(shí)施網(wǎng)頁抓取時會對內(nèi)容進(jìn)行處理篩選，盡量保證只抓取與需求相關(guān)的網(wǎng)頁信息。

而我們學(xué)的爬蟲大多是聚焦爬蟲！