Episódio 01 de seleção do rastreador Python (rastreador de primeiro encontro)
portal de diretório de aprendizagem python
Artigo Diretório
Visão geral dos rastreadores da web
1. Definição
-
Aranhas da web, robôs da web, programas que coletam dados da web.
-
Na verdade, é usar programas Python para imitar as pessoas que clicam no navegador e visitam o site, e quanto mais realista a imitação, melhor.
Em segundo lugar, o objetivo de rastrear dados
- Obtenha grandes quantidades de dados para análise de dados
- Dados de teste de projetos da empresa, dados necessários para os negócios da empresa
3. Como as empresas obtêm dados
-
Dados próprios da empresa
-
Compra de uma plataforma de dados de terceiros (Data Hall, Guiyang Big Data Exchange)
-
Dados de rastreamento do rastreador
Quarto, as vantagens do python como rastreador
1、Python :请求模块、解析模块丰富成熟,强大的Scrapy网络爬虫框架
2、PHP :对多线程、异步支持不太好
3、JAVA:代码笨重,代码量大
4、C/C++:虽然效率高,但是代码成型慢
Cinco, classificação do rastreador
1、通用网络爬虫(搜索引擎使用,遵守robots协议)
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,
通用网络爬虫需要遵守robots协议(君子协议)
https://www.taobao.com/robots.txt
2、聚焦网络爬虫 :自己写的爬虫程序
Seis, etapas de dados de rastreamento do rastreador
1、确定需要爬取的URL地址
2、由请求模块向URL地址发出请求,并得到网站的响应
3、从响应内容中提取所需数据
① 所需数据,保存
② 页面中有其他需要继续跟进的URL地址,继续第2步去发请求,如此循环