1、什么是互联网爬虫?
如果我们吧互联网比作一张大的蜘蛛网,那一台计算机上的数据便是蜘蛛网上的一个猎物,而爬虫程序就是一只小蜘蛛,沿着蜘蛛网爬取自己想要的数据
解释1:通过一个程序,根据url进行爬取网页,获取有用的信息
解释2:使用程序模拟浏览器,去向服务器发送请求,获取响应信息
2、爬虫核心?
1.爬取网页:爬取整个网页,包含了网页中所有的内容
2.解析数据:将网页中你得到的数据进行解析
3.难点:爬虫和反爬虫的博弈
3、爬虫的用途
- 数据分析/人工数据集
- 社交软件冷启动
- 舆情监控
- 竞争对手监控
4、爬虫分类
通用爬虫:
实例:百度、360、google、sougou等搜索引擎——伯乐在线
功能
访问网页->抓取数据->数据存储->数据处理->提供检索服务
robots协议
一个约定俗成的协议,添加robots.txt文件,来说明本网站有哪些内容不可以被抓去,起不到限制作用
自己写的爬虫无须遵守
网站排名(SEO)
1.根据pagerank算法值进行排名(参考个网站流量,点击率等指标)
2.百度竞价排名
缺点
1.抓去的数据大多是无用的
2.不能根据用户的需求来精确获取数据
聚焦爬虫
功能
根据需求,实现爬虫程序,抓取需要的数据
设计思路
1.确定要爬取的url
如何获取url
2.模拟浏览器通过http协议访问url,获取服务器返回的html代码
如何访问
3.解析Html字符串(根据一定规则提取需要的数据)
如何解析
5.反爬手段
1.User-Agent:
User Agent中文名为用户代理,简称UA,它是一个特殊字符串头,使得服务器能够识别客户使用的操作系统及版本、CPU类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等
2.代理IP
西次代理
快代理
什么是高匿名、匿名和透明代理?它们有什么区别?
1.使用透明代理,对方服务器可以知道你使用了代理,并且也知道你的真实IP
2.使用匿名代理,对方服务器可以知道你使用了代理,但是不知道你的真实IP
3.使用高匿名代理,对方服务器不知道你是用了代理,更不知道你的真实IP
3.验证码访问
打码平台
云打码平台
超级
4.动态加载页面 网站返回的是js数据,并不是网页的真实数据
selenium驱动真实的浏览器发送请求
5.数据加密
分析js代码