前言
一文搞懂Python—>爬虫需要学什么,附送课程、笔记。
关于Python爬虫,我们需要学:
- 1. Python基础语法学习(基础知识)
首先,你需要熟悉Python的基本语法,包括变量、数据类型、条件语句、循环、函数等。 - 2. 对HTML页面的内容抓取(数据抓取)
如HTTP协议、URL、请求方法(GET、POST等)和响应状态码(如200,404等)。 - 3. 对HTML页面的数据提取(数据提取)
爬虫通常需要从HTML中提取信息,因此你需要了解HTML标签、属性和CSS选择器。 - 4. Scrapy框架以及scrapy-redis分布式策略(第三方框架)
requests:一个用于发送HTTP请求的库,它可以帮助你获取网页的HTML内容BeautifulSoup:一个用于解析HTML和XML的库,它可以帮助你在HTML文档中定位和提取信息。lxml:一个解析HTML和XML的高性能库,可以作为BeautifulSoup的替代品。Scrapy:一个强大的爬虫框架,用于构建和管理复杂的爬虫项目 - 6. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争…
熟悉常见的反爬虫策略,如User-Agent伪装、IP代理、使用Selenium处理JavaScript等。 - 7.学习数据存储
学习如何将爬取的数据存储到文件(如CSV、JSON)或数据库(如MySQL、MongoDB)中。
(文末有惊喜)
可选择的IDE和编译器
工欲善其事,必先利其器:
- IDE:PyCharm、Spyder、Visual Studio等
- 编辑器:Vim、Sublime Text、Atom等
通用搜索引擎(Search Engine)工作原理
通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。
第一步:抓取网页
搜索引擎网络爬虫的基本工作流程如下:
- 首先选取一部分的种子URL,将这些URL放入待抓取URL队列;
- 取出待抓取URL,解析DNS得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中,并且将这些URL放进已抓取URL队列。
- 分析已抓取URL队列中的URL,分析其中的其他URL,并且将URL放入待抓取URL队列,从而进入下一个循环…
(文末有惊喜)
搜索引擎如何获取一个新网站的URL:
-
- 新网站向搜索引擎主动提交网址:(如百度http://zhanzhang.baidu.com/linksubmit/url)
-
- 在其他网站上设置新网站外链(尽可能处于搜索引擎爬虫爬取范围)
-
- 搜索引擎和DNS解析服务商(如DNSPod等)合作,新网站域名将被迅速抓取。
但是搜索引擎蜘蛛的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容,如标注为nofollow的链接,或者是Robots协议。
Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,例如:
淘宝网:
https://www.taobao.com/robots.txt
腾讯网:
http://www.qq.com/robots.txt
第二步:数据存储
搜索引擎通过爬虫爬取到的网页,将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。
搜索引擎蜘蛛在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。
第三步:预处理
搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理。
- 提取文字
- 中文分词
- 消除噪音(比如版权声明文字、导航条、广告等……)
- 索引处理
- 链接关系计算
- 特殊文件处理
- …
除了HTML文件外,搜索引擎通常还能抓取和索引以文字为基础的多种文件类型,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。
但搜索引擎还不能处理图片、视频、Flash 这类非文字内容,也不能执行脚本和程序。
第四步:提供检索服务,网站排名
搜索引擎在对信息进行组织和处理后,为用户提供关键字检索服务,将用户检索相关的信息展示给用户。
同时会根据页面的PageRank值(链接的访问量排名)来进行网站排名,这样Rank值高的网站在搜索结果中会排名较前,当然也可以直接使用 Money 购买搜索引擎网站排名,简单粗暴。
课外阅读:Google搜索引擎的工作原理
但是,这些通用性搜索引擎也存在着一定的局限性:
- 通用搜索引擎所返回的结果都是网页,而大多情况下,网页里90%的内容对用户来说都是无用的。
- 不同领域、不同背景的用户往往具有不同的检索目的和需求,搜索引擎无法提供针对具体某个用户的搜索结果。
- 万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频、视频多媒体等不同数据大量出现,通用搜索引擎对这些文件无能为力,不能很好地发现和获取。
- 通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。
针对这些情况,聚焦爬虫技术得以广泛使用。
聚焦爬虫
聚焦爬虫,是"面向特定主题需求"的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
深入学习网络爬虫,就是聚焦爬虫。
工欲善其事,必先利其器。 在这个时代,如果你想要如鱼得水,更早一步实现财富自由,学会Python应当提上日程。这也就是我想把一些Python资料和公开课分享给大家的原因,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂。如果需要的话文末可以免费获得,让我们一起学习!
一、Python所有方向的学习路线
刚开始学习python,如果你连完整的学习步骤都没有规划好,基本不可能学会python。他把Python所有方向路线做了整理,形成各个领域的知识点汇总。(图片太太太太太大了,这里放不了没完整版可以文末免费领取)
二、入门全套学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
三、Python操作实例
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
四、Python就业项目实战
我们学习Python必然是为了找到高薪的工作或者高报酬的兼职,下面是一些公司所能用到的实战项目,学完这些相信大家一定可以找到满意的工作。
11 Django框架
16 微信公众号
18 通用爬虫模块使用
…
21 数据分析
22 机器学习
还有其他的一些东西,比如说我自己出的Python入门图文类教程,没有电脑的时候用手机也可以学习知识,学会了理论之后再去敲代码实践验证,还有Python中文版的库资料、MySQL和HTML标签大全等等,这些都是可以送给粉丝们的东西。
资料领取
这些都不是什么非常值钱的东西,但对于没有资源或者资源不是很好的学习者来说确实很不错,你要是用得到的话都可以扫描下方CSDN官方认证二维码【免费获取】。
好文推荐
了解python的前景:https://blog.csdn.net/SpringJavaMyBatis/article/details/127194835
了解python的兼职副业:https://blog.csdn.net/SpringJavaMyBatis/article/details/127196603