网页flash直播 抓取(网页都使用HTTP/HTTPS(超文本传输协议)协议来传输)

　　网页flash直播 抓取(网页都使用HTTP/HTTPS(超文本传输协议)协议来传输)

　　了解python爬虫的背景。大数据时代的数据获取方法

　　如今，人类社会已经进入大数据时代，数据已经成为不可或缺的一部分。可见数据的获取是非常重要的，获取数据大概有以下几种方式。

　　大型互联网公司对于企业产生的数据拥有大量的用户，因此在数据积累方*敏*感*词*有天然优势。数据管理信息公司。政府/机构提供公共数据。第三方数据平台购买数据爬虫爬取数据。

　　互联网数据索引

　　政府机构数据

　　数据管理咨询公司

　　第三方数据市场

　　如果我们想要的数据在市场上没有，或者价格太高买不起，那么我们就需要使用爬虫来获取我们想要的数据。

　　爬虫介绍

　　什么是爬虫？

　　简单的说就是一个用来抓取网页数据的程序。

　　爬虫是如何抓取网页数据的？

　　这里需要了解一下web的三个特点

　　网页有自己唯一的 URL（统一资源定位器）用于定位。网页使用 HTML（超文本标记语言）来描述页面信息。网页使用 HTTP/HTTPS（超文本传输​​协议）协议传输 HTML 数据

　　履带设计理念

　　首先通过HTTP/HTTPS协议确定要爬取的网页的URL地址，获取HTML页面，提取HTML中的有用数据。如果是有用的数据，则保存，如果页面中还有其他网址，则继续执行前两步

　　如何抓取 HTML 页面

　　如何解析服务器响应的内容

　　使用一定的描述方法，为我们需要提取的数据定义一个匹配规则，满足这个规则的数据就会被匹配。

　　re, xpath, BeautifulSoup4(BS4), jsonpath, pyquery, 等等

　　如何采集动态HTML，验证码的处理

　　Scrapy 框架

　　爬虫后续还需要用到scrapy框架，定制度高，性能高，数据下载速度快。提供数据存储、数据下载、提取规则等组件。

　　通用爬虫和聚焦爬虫

　　通用爬虫

　　通用网络爬虫是搜索引擎爬虫系统（百度、谷歌、雅虎等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成互联网内容的镜像备份。

　　目标

　　一般的爬虫就是把网上所有的网页尽可能的下载下来，放到本地服务器上备份，然后对这些网页进行相关的处理（提取关键词、去除广告等），最后提供用户检索界面。

　　一般爬虫的爬取过程

　　第一步

　　首先选择一部分*敏*感*词*网址，将这些网址放入待抓取的网址队列；取出要爬取的URL，解析DNS得到主机的IP，下载该URL对应的网页，存入下载的网页库，存入下载的网页库。这些 URL 被放入已爬取的 URL 队列中。解析爬取的URL队列中的URL，解析其中的其他URL，将URL放入URL队列进行爬取，从而进入下一个循环……

　　搜索引擎如何获取新网站的网址：

　　新网站主动向搜索引擎提交网址：（如百度）在其他网站（尽量在搜索引擎爬虫抓取范围内）设置新网站的外链，搜索引擎和DNS解析服务提供商（如 DNSPod 等）合作创建新的网站域名将被快速抓取。

　　但是搜索引擎蜘蛛的爬取是有一定的规则进入的，需要遵守一些命令或者文件内容，比如标记为nofollow的链接，或者Robots协议。

　　机器人协议（也叫爬虫协议、机器人协议等），全称是“机器人排除协议”（Robots Exclusion Protocol）。网站使用Robots协议告诉搜索引擎哪些页面可以爬取，哪些页面不能爬取，例如：

　　第 2 步：数据存储

　　搜索引擎使用爬虫来抓取网页并将数据存储在原创

页面数据库中。页面数据与用户浏览器获取的 HTML 完全相同。

　　在抓取页面时，搜索引擎蜘蛛也会做一定量的重复内容检测。一旦他们在访问权重较低的网站上遇到大量抄袭、采集

或复制的内容，很可能会停止爬行。

　　第三步：预处理

　　搜索引擎会对爬虫检索回来的页面进行爬取，并进行各个步骤的预处理。

　　除了 HTML 文件，搜索引擎通常可以抓取和索引多种基于文本的文件类型，例如 PDF、Word、WPS、XLS、PPT、TXT 文件等，我们经常在搜索结果中看到这些文件类型。

　　但是，搜索引擎无法处理图像、视频和 Flash 等非文本内容，也无法执行脚本和程序。

　　第四步：提供搜索服务，网站排名

　　搜索引擎对信息进行整理和处理后，为用户提供关键词检索服务，并将与用户检索相关的信息展示给用户。

　　同时，网站排名会根据页面的PageRank值（链接访问量的排名），使得Rank值高的网站在搜索结果中排名靠前。当然也可以直接用Money购买搜索引擎网站排名，简单粗暴。

　　但是，这些通用搜索引擎也有一定的局限性：

　　一般搜索引擎返回的结果都是网页，在大多数情况下，网页上90%的内容对用户来说是无用的。

　　不同领域、不同背景的用户往往有不同的搜索目的和需求，搜索引擎无法为特定用户提供搜索结果。

　　随着万维网上数据形式的丰富和网络技术的不断发展，出现了大量的图片、数据库、音频、视频和多媒体等不同的数据。一般的搜索引擎都无法找到和获取这些文件。

　　一般的搜索引擎大多提供基于关键字的检索，难以支持基于语义信息的查询，无法准确了解用户的具体需求。

　　针对这些情况，聚焦爬虫技术得到了广泛的应用。

　　焦点履带

　　聚焦爬虫是一种“面向特定主题需求”的网络爬虫程序。它与一般搜索引擎爬虫的区别在于：聚焦爬虫在实现网页爬取时会对内容进行处理和过滤，并尽量保证只有爬取到的页面信息与需求页面信息相关。

　　我们学习的爬虫大部分都是专注爬虫！