目录

 

　　1、网络爬虫概述

 

　　2、爬虫基本流程

 

　　3、爬虫基础知识

 

　　爬虫就是请求网站并提取数据的自动化程序

 

　　网络爬虫（Web Spider），又被称为网页蜘蛛，是一种按照一定的规则，自动地抓取网站信息的程序或者脚本。

 

　　网络蜘蛛是通过网页的链接地址来寻找网页，从网站某一个页面开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。

 

　　例：

 

　　①先由urllib的request打开Url得到网页html文档②浏览器打开网页源代码分析元素节点③通过Beautiful Soup或则正则表达式提取想要的数据④存储数据到本地磁盘或数据库（抓取，分析，存储）

 

　　基础库

 

　　scrapy

 

　　requests

 

　　beautifulsoup

 

　　网页分类

 

　　静态网页

 

　　动态网页

 

　　webservice(restapi)

 

　　爬虫作用

 

　　搜索引擎（百度、Google、垂直领域搜索引擎）

 

　　推荐引擎（今日头条）

 

　　机器学习的数据样本

 

　　数据分析（如金融领域数据分析）、舆情分析

 

　　正则表达式

 

　　Mysql和Navicat的安装和使用

 

　　网站的树结构及其深度优先遍历和广度优先遍历

 

　　爬虫去重策略