初識爬蟲

一、爬蟲簡介

模擬瀏覽器，發送請求，獲取響應

網絡爬蟲，英文名為Spider,又稱為網頁蜘蛛，網絡機器人，在數據分析應用中，更多的將爬蟲稱為數據采集程序，是一種按照一定的規則，自動地抓取網絡信息的程序或者腳本。

l 原則上,只要是客戶端(瀏覽器)能做的事情，爬蟲都能夠做

l 爬蟲也只能獲取客戶端(瀏覽器)所展示出來的數據

網絡中的數據可以是由web服務器【Nginx/Apache】，數據庫服務【MySQL/Redis/MongoDB】，索引庫，大數據，視頻/圖片庫，云存儲【阿里云的OSS】等提供的,最主要的來源是Web服務器

不過，大家一定要注意哦，可爬取的數據必須是公開的，非盈利的，如：如果侵入人家非公開的網絡，人家會通過ip定位到你，屬于違法行為的哦，再或者，一些理財的網站，如果爬取數據，肯定是不可以的，如果小伙伴們不聽話，非要去爬取，那任何人都是保護不了你的哦，狗頭保命~~~

有名的爬蟲案件：簡歷大數據公司“巧達科技”被一鍋端、“車來了”涉嫌偷數據被警方立案等

二、爬蟲分類

通用爬蟲：

通用網絡爬蟲從互聯網中搜集網頁，采集信息，這些網頁信息決定著整個引擎系統的內容是否豐富，信息是否即時，因此其性能的優劣直接影響著搜索引擎的效果

大家要注意哦，通用爬蟲雖然簡單，方便，但是缺點也是顯而易見的，小助手給大家列舉了幾點，大家可以了解一下：

l 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。

l 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。

l 萬維網數據形式的豐富和網絡技術的不斷發展，圖片、數據庫、音頻、視頻多媒體等不同數據大量出現，通用搜索引擎對這些文件無能為力，不能很好地發現和獲取。

l 通用搜索引擎大多提供基于關鍵字的檢索，難以支持根據語義信息提出的查詢，無法準確理解用戶的具體需求。

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, 如12306搶票，或專門抓取某一個（某一類）網站數據

根據是否以獲取數據為目的，可以分為：

l 功能性爬蟲，給你喜歡的明星投票、點贊

l 數據增量爬蟲，比如招聘信息

2. 根據url地址和對應的頁面內容是否改變，數據增量爬蟲可以分為：

l 基于url地址變化、內容也隨之變化的數據增量爬蟲

l url地址不變、內容變化的數據增量爬蟲

看到這里，大家是不是發現通用爬蟲簡單，但是不實用，聚焦爬蟲應用比較廣泛，而且實用，但是實現起來難度較大，不過沒事的哈，有小助手的幫助，我們都能學會的，奧利給！！！

三、爬蟲的作用

爬蟲在互聯網世界中有很多的作用，比如：

1. 數據采集,比如：

抓取微博評論(機器學習輿情監控)

抓取招聘網站的招聘信息(數據分析、挖掘)

新浪滾動新聞

百度新聞網站

2. 軟件測試

爬蟲之自動化測試

自動化測試所必需的selenium . selenium是一個用于Web應用程序測試的工具,selenium 測試直接運行在瀏覽器中,就像真正的用戶在操作一樣。 支持的瀏覽器包括IE,chrome和Firefox等。其實就是借助于selenium做爬蟲的事情。

3. 搶票和投票

4. 網絡安全

短信轟炸

web漏洞掃描

四、技術步驟

第1步：爬取數據，實際上就是根據一個網址向服務器發起網絡請求，獲取到服務器返回的數據

第2步：解析數據，將服務器返回的數據轉換為人容易理解的樣式

第3步：篩選數據，從大量的數據中篩選出需要的數據

第4步：存儲數據，將篩選出來的有用的數據存儲起來，如：數據庫，CSV文件，Excel文件，JSON文件等

只要小伙伴們按照這四個步驟操作，實現一個爬蟲任務還是很簡單的

好了，我們本節課的內容就到此結束啦，通過本節課的學習，我們對爬蟲有了大概的認識，并大概了解了爬蟲相關的一些相關技術，有了這些概念的加持，對我們學習后面的內容會有很大的幫助，期待大家學習完爬蟲的全部課程之后，能有一個不錯的收獲