爬虫（一）初识爬虫

1 什么是爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟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,只要是浏览器(客户端)能做的事情，爬虫都能够做

2 爬虫的更多用途

• 12306抢票

• 网站上的投票

• 短信轰炸

3. 爬虫的分类

在上一小结中，我们介绍爬虫爬取到的数据用途的时候，给大家举了两个例子，其实就是两种不同类型的爬虫

根据被爬网站的数量的不同，我们把爬虫分为：

• 通用爬虫 ：通常指搜索引擎的爬虫（https://www.baidu.com）

• 聚焦爬虫 ：针对特定网站的爬虫

4. 爬虫的流程

请思考：如果自己要实现一个和百度新闻一样的网站需要怎么做？

爬虫的工作流程：

• 向起始url发送请求，并获取响应
• 对响应进行提取
• 如果提取url，则继续发送请求获取响应
• 如果提取数据，则将数据进行保存

5. robots协议

在百度搜索中，不能搜索到淘宝网中某一个具体的商品的详情页面，这就是robots协议在起作用

Robots协议：网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是互联网中的一般约定

例如：淘宝的robots协议

 

小结

1. 数据的来源：
   • 去第三方的公司购买数据(比如企查查)
   • 去免费的数据网站下载数据(比如国家统计局)
   • 通过爬虫爬取数据
   • 人工收集数据(比如问卷调查)
2. 爬虫的概念：模拟浏览器发送网络请求，接收请求响应
3. 爬虫分类：通用爬虫、聚焦爬虫
4. 爬虫的流程：
   • 向起始url发送请求，并获取响应
   • 对响应进行提取
   • 如果提取url，则继续发送请求获取响应
   • 如果提取数据，则将数据进行保存
5. robots协议：无需遵守该协议