怎样抓取网页数据(提取HTML页面内有用的数据：Python爬虫的优势)

　　怎样抓取网页数据(提取HTML页面内有用的数据：Python爬虫的优势)

　　提取HTML页面内有用的数据：

　　a. 如果是需要的数据--保存

　　b. 如果有其他URL，继续执行第二步

　　4. Python爬虫的优势？

　　

　　5. 学习路线

　　抓取HTML页面：

　　HTTP请求的处理：urllib, urlib2, requests

　　处理器的请求可以模拟浏览器发送请求，获取服务器响应的文件

　　解析服务器相应的内容:

　　re, xpath, BeautifulSoup(bs4), jsonpath, pyquery等

　　使用某种描述性语言来给我们需要提取的数据定义一个匹配规则，符合这个规则的数据就会被匹配

　　采集动态HTML，验证码的处理

　　通用动态页面采集：Selenium + PhantomJS:模拟真实浏览器加载JS

　　验证码处理:Tesseract机器学习库，机器图像识别系统

　　Scrapy框架:

　　高定制性，高性能（异步网络框架twisted）->数据下载快

　　提供了数据存储，数据下载，提取规则等组件

　　分布式策略：

　　scrapy redis：在scarpy基础上添加了以redis数据库为核心的一套组件,主要在redis做请求指纹去重、请求分配、数据临时存储

　　爬虫、反爬虫、反反爬虫之间的斗争:

　　User-Agent,代理,验证码,动态数据加载,加密数据

　　6. 爬虫的分类

　　6.1 通用爬虫:

　　1.定义：搜索引擎用的爬虫系统

　　2.目标：把所有互联网的网页爬取下来，放到本地服务器形成备份，在对这些网页做相关处理（提取关键字，去除广告），最后提供一个用户可以访问的借口

　　

　　3.抓取流程：

　　a) 首先选取一部分已有的URL， 把这些URL放到带爬取队列中

　　b) 从队列中取出来URL，然后解析NDS得到主机IP，然后去这个IP对应的服务器里下载HTML页面，保存到搜索引擎的本地服务器里，之后把爬过的URL放入已爬取队列

　　c) 分析网页内容，找出网页里其他的URL连接，继续执行第二步，直到爬取结束

　　4.搜索引擎如何获取一个新网站的URL：

　　主动向搜索引擎提交网址：

　　在其他网站设置网站的外链： 其他网站上面的友情链接

　　搜索引擎会和DNS服务商进行合作，可以快速收录新网站

　　5.通用爬虫注意事项

　　通用爬虫并不是万物皆可以爬，它必须遵守规则：

　　Robots协议：协议会指明通用爬虫可以爬取网页的权限

　　我们可以访问不同网页的Robots权限

　　

　　

　　6.通用爬虫通用流程：

　　

　　7.通用爬虫缺点

　　只能提供和文本相关的内容(HTML,WORD,PDF)等，不能提供多媒体文件(msic,picture, video)及其他二进制文件

　　提供结果千篇一律，不能针对不同背景领域的人听不同的搜索结果

　　不能理解人类语义的检索

　　聚焦爬虫的优势所在

　　DNS域名解析成IP: 通过在命令框中输入ping ，得到服务器的IP

　　

　　6.2 聚焦爬虫：

　　爬虫程序员写的针对某种内容的爬虫-> 面向主题爬虫，面向需要爬虫