一 爬虫概述
模拟浏览器,发送请求,获取响应
网络爬虫(又被称为网页蜘蛛,网络机器人)就是模拟客户端(主要指浏览器)发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序。
- 原则上,只要是客户端(浏览器)能做的事情,爬虫都能够做
- 爬虫也只能获取客户端(浏览器)所展示出来的数据
二 爬虫的作用
爬虫在互联网世界中有很多的作用,比如:
-
[数据采集]
- [抓取微博评论] 机器学习舆情监控
- [抓取招聘网站的招聘信息] 数据分析、挖掘
- [新浪滚动新闻]
- [百度新闻网站]
-
[软件测试]
- [爬虫之自动化测试]
- [虫师]
-
[12306抢票]
-
网站上的投票
- [投票网]
-
网络安全
-
[短信轰炸]
- [注册页面1]
- [注册页面2]
- [注册页面3]
-
[web漏洞扫描]
-
三. 爬虫的分类
3.1 根据被爬取网站的数量不同,可以分为:
- 通用爬虫,如 搜索引擎
- 聚焦爬虫,如12306抢票,或专门抓取某一个(某一类)网站数据
3.2 根据是否以获取数据为目的,可以分为:
- 功能性爬虫,给你喜欢的明星投票、点赞
- 数据增量爬虫,比如招聘信息
3.3 根据url地址和对应的页面内容是否改变,数据增量爬虫可以分为:
-
基于url地址变化、内容也随之变化的数据增量爬虫
-
url地址不变、内容变化的数据增量爬虫
四 爬虫的流程
爬虫的基本流程如图所示
- 获取一个url
- 向url发送请求,并获取响应(需要http协议)
- 如果从响应中提取url,则继续发送请求获取响应
- 如果从响应中提取数据,则将数据进行保存