python網(wǎng)絡(luò)爬蟲概述

網(wǎng)絡(luò)爬蟲(Web Spider)又稱網(wǎng)絡(luò)蜘蛛、網(wǎng)絡(luò)機器人，是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。

網(wǎng)絡(luò)爬蟲按照系統(tǒng)結(jié)構(gòu)和實現(xiàn)技術(shù)，大致可分為一下幾種類型：

通用網(wǎng)絡(luò)爬蟲：就是盡可能大的網(wǎng)絡(luò)覆蓋率，如 搜索引擎(百度、雅虎和谷歌等…)。

聚焦網(wǎng)絡(luò)爬蟲：有目標性，選擇性地訪問萬維網(wǎng)來爬取信息。

增量式網(wǎng)絡(luò)爬蟲：只爬取新產(chǎn)生的或者已經(jīng)更新的頁面信息。特點：耗費少，難度大

深層網(wǎng)絡(luò)爬蟲：通過提交一些關(guān)鍵字才能獲取的Web頁面，如登錄或注冊后訪問的頁面。

應(yīng)用場景

爬蟲技術(shù)在科學(xué)研究、Web安全、產(chǎn)品研發(fā)、輿情監(jiān)控等領(lǐng)域可以做很多事情。

在數(shù)據(jù)挖掘、機器學(xué)習(xí)、圖像處理等科學(xué)研究領(lǐng)域，如果沒有數(shù)據(jù)，則可以通過爬蟲從網(wǎng)上抓??；

在Web安全方面，使用爬蟲可以對網(wǎng)站是否存在某一漏洞進行批量驗證、利用；

在產(chǎn)品研發(fā)方面，可以采集各個商城物品價格，為用戶提供市場最低價；

在輿情監(jiān)控方面，可以抓取、分析新浪微博的數(shù)據(jù)，從而識別出某用戶是否為水軍

學(xué)習(xí)爬蟲前的技術(shù)準備

(1). Python基礎(chǔ)語言： 基礎(chǔ)語法、運算符、數(shù)據(jù)類型、流程控制、函數(shù)、對象 模塊、文件操作、多線程、網(wǎng)絡(luò)編程 … 等

(2). W3C標準： HTML、CSS、JavaScript、Xpath、JSON

(3). HTTP標準： HTTP的請求過程、請求方式、狀態(tài)碼含義，頭部信息以及Cookie狀態(tài)管理

(4). 數(shù)據(jù)庫： SQLite、MySQL、MongoDB、Redis …

關(guān)于爬蟲的合法性

幾乎每個網(wǎng)站都有一個名為robots.txt的文檔，當(dāng)然也有有些網(wǎng)站沒有設(shè)定。對于沒有設(shè)定robots.txt的網(wǎng)站可以通過網(wǎng)絡(luò)爬蟲獲取沒有口令加密的數(shù)據(jù)，也就是該網(wǎng)站所有頁面的數(shù)據(jù)都可以爬取。如果網(wǎng)站有文件robots.txt文檔，就要判斷是否有禁止訪客獲取數(shù)據(jù) 如：https://www.baidu.com/robots.txt