資訊專欄INFORMATION COLUMN
摘要：學習爬蟲的背景了解。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容，如標注為的鏈接，或者是協(xié)議。不同領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果。
學習python爬蟲的背景了解。大數(shù)據(jù)時代數(shù)據(jù)獲取方式
如今，人類社會已經進入了大數(shù)據(jù)時代，數(shù)據(jù)已經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)生產的數(shù)據(jù)，大型互聯(lián)網公司有海量的用戶，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/機構提供的公開數(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)
政府機構數(shù)據(jù)
中華國家統(tǒng)計局
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。
爬蟲介紹什么是爬蟲？
簡單來說就是用來抓取網頁數(shù)據(jù)的程序。
爬蟲是怎么抓取網頁數(shù)據(jù)的？
這里需要了解網頁三大特征
網頁都有自己唯一的URL(統(tǒng)一資源定位符)來進行定位。
網頁都使用HTML(超文本標記語言)來描述頁面信息。
網頁都使用HTTP/HTTPS(超文本傳輸協(xié)議)協(xié)議來傳輸HTML數(shù)據(jù)
爬蟲的設計思路
首先確定要爬取的網頁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，獲取服務器響應的文件
如何解析服務器響應的內容
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，驗證碼的處理
通用的動態(tài)頁面采集:selenium+phantomJS
Tesseract:機器學習庫，機器圖像識別系統(tǒng)，可以處理簡單驗證碼
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
通用網絡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)網上的網頁下載到本地，形成一個互聯(lián)網內容的鏡像備份。
目標
通用爬蟲就是盡可能把互聯(lián)網上所有的網頁下載下來，放到本地服務器備份，再對這些網頁進行相關處理(提取關鍵字，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隊列；
取出待抓取URL，解析DNS得到主機的IP，并將URL對應的網頁下載下來，存儲進已下載網頁庫中，并且將這些URL放進已抓取URL隊列。
分析已抓取URL隊列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊列，從而進入下一個循環(huán)....
搜索引擎如何獲取一個新網站的URL：
新網站向搜索引擎主動提交網址：（如百度http://zhanzhang.baidu.com/li...）
在其他網站上設置新網站外鏈（盡可能處于搜索引擎爬蟲爬取范圍）
搜索引擎和DNS解析服務商(如DNSPod等）合作，新網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容，如標注為nofollow的鏈接，或者是Robots協(xié)議。
Robots協(xié)議（也叫爬蟲協(xié)議、機器人協(xié)議等），全稱是“網絡爬蟲排除標準”（Robots Exclusion Protocol），網站通過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：https://www.taobao.com/robots...
騰訊網： 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，也做一定的重復內容檢測，一旦遇到訪問權重很低的網站上有大量抄襲、采集或者復制的內容，很可能就不再爬行。
第三步：預處理
搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預處理。
提取文字
中文分詞
消除噪音（比如版權聲明文字、導航條、廣告等……）
索引處理
鏈接關系計算
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的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經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 這類非文字內容，也不能執(zhí)行腳本和程序。
第四步：提供檢索服務，網站排名
搜索引擎在對信息進行組織和處理后，為用戶提供關鍵字檢索服務，將用戶檢索相關的信息展示給用戶。
同時會根據(jù)頁面的PageRank值（鏈接的訪問量排名）來進行網站排名，這樣Rank值高的網站在搜索結果中會排名較前，當然也可以直接使用 Money 購買搜索引擎網站排名，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果都是網頁，而大多情況下，網頁里90%的內容對用戶來說都是無用的。
不同領域、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果。
萬維網數(shù)據(jù)形式的豐富和網絡技術的不斷發(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鍵字的檢索，難以支持根據(jù)語義信息提出的查詢，無法準確理解用戶的具體需求。
針對這些情況，聚焦爬蟲技術得以廣泛使用。
聚焦爬蟲
聚焦爬蟲，是"面向特定主題需求"的一種網絡爬蟲程序，它與通用搜索引擎爬蟲的區(qū)別在于： 聚焦爬蟲在實施網頁抓取時會對內容進行處理篩選，盡量保證只抓取與需求相關的網頁信息。
而我們學的爬蟲大多是聚焦爬蟲！
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉載請注明本文地址：http://www.ezyhdfw.cn/yun/43151.html
摘要：學習筆記七數(shù)學形態(tài)學關注的是圖像中的形狀，它提供了一些方法用于檢測形狀和改變形狀。學習筆記十一尺度不變特征變換，簡稱是圖像局部特征提取的現(xiàn)代方法基于區(qū)域圖像塊的分析。本文的目的是簡明扼要地說明的編碼機制，并給出一些建議。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 開始之前，我們先來看這樣一個提問： pyth...
摘要：時間永遠都過得那么快，一晃從年注冊，到現(xiàn)在已經過去了年那些被我藏在收藏夾吃灰的文章，已經太多了，是時候把他們整理一下了。那是因為收藏夾太亂，橡皮擦給設置私密了，不收拾不好看呀。 ...
摘要：理解迭代對象迭代器生成器后端掘金本文源自作者的一篇博文，原文是，俺寫的這篇文章是按照自己的理解做的參考翻譯。比較的是兩個對象的內容是后端掘金黑魔法之協(xié)程異步后端掘金本文為作者原創(chuàng)，轉載請先與作者聯(lián)系。 完全理解關鍵字with與上下文管理器 - 掘金如果你有閱讀源碼的習慣，可能會看到一些優(yōu)秀的代碼經常出現(xiàn)帶有 with 關鍵字的語句，它通常用在什么場景呢？今天就來說說 with 和 上下...
閱讀 3557·2021-09-22 15:02
閱讀 3825·2021-09-02 15:21
閱讀 2188·2019-08-30 15:55
閱讀 2860·2019-08-30 15:44
閱讀 838·2019-08-29 16:56
閱讀 2480·2019-08-23 18:22
閱讀 3403·2019-08-23 12:20
閱讀 3148·2019-08-23 11:28
