python爬虫的原理介绍_机构网站排名-程序员宅基地
一、爬虫与数据
（一）为什么要做爬虫
都说现在是大数据时代，但是与之相对应的问题是，大数据中的数据从何而来。可以人工收集数据，但是人工收集数据的效率却免不了太过低下。也可以找一些专门从事数据服务的公司进行购买，但会花费不菲的代价。下面是经常用到的一些数据类的网站。
1、 企业产生的用户数据：
百度指数： http://index.baidu.com/
阿里指数： https://alizs.taobao.com/
TBI 腾讯浏览指数： http://tbi.tencent.com/
新浪微博指数： http://data.weibo.com/index
2、 数据平台购买数据：
数据堂： http://www.datatang.com/about/about-us.html
国云数据市场： http://www.moojnn.com/data-market/
贵阳大数据交易所： http://trade.gbdex.com/trade.web/index.jsp
3、 政府/机构公开的数据：
中华人民共和国国家统计局数据： http://data.stats.gov.cn/index.htm
世界银行公开数据： http://data.worldbank.org.cn/
联合国数据： http://data.un.org/
纳斯达克： http://www.nasdaq.com/zh
4、 数据管理咨询公司：
INS(500 人， 一年产值 300 亿)
麦肯锡： http://www.mckinsey.com.cn/
埃森哲： https://www.accenture.com/cn-zh/
艾瑞咨询： http://www.iresearch.com.cn/
或者可以选择招聘/做一名爬虫工程，自己动手寻找数据。
（二）爬虫是什么
通俗理解：爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并数据抓取下来，然后使用一定的规则提取有价值的数据。
专业解释：网络爬虫
（三）我们需要学习什么来使用爬虫
- Python 基础语法学习（基础知识）
- HTML 页面的内容抓取（数据抓取）
- HTML 页面的数据提取（数据清洗）
- Scrapy 框架以及 scrapy-redis 分布式策略（第三方框架）
- 爬虫(Spider)、 反爬虫(Anti-Spider)、 反反爬虫(Anti-Anti-Spider)之间的斗争…
三、爬虫的种类
网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫（General Purpose Web Crawler）、聚焦网络爬虫（Focused Web Crawler）、增量式网络爬虫（Incremental Web Crawler）、深层网络爬虫（Deep Web Crawler）。 实际的网络爬虫系统通常是几种爬虫技术相结合实现的。
（一） 通用爬虫
通用网络爬虫是捜索引擎抓取系统（Baidu、 Google、 Yahoo 等） 的重要组成部分。 主要目的是将互联网上的网页下载到本地， 形成一个互联网内容的镜像备份。
（二） 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…
那么， 搜索引擎如何获取一个新网站的 URL：
(1) 新网站向搜索引擎主动提交网址：（如百度 http://zhanzhang.baidu.com/linksubmit/url）
(2) 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）
(3) 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。
（三） 通用性搜索引擎存在一定的局限性：
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。
（四） 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。
想要使用爬虫，还需要了解有关HTTP协议的详细内容。
可以移步另一篇文章
HTTP协议详解
智能推荐
攻防世界_难度8_happy_puzzle_攻防世界困难模式攻略图文-程序员宅基地
文章浏览阅读645次。这个肯定是末尾的IDAT了，因为IDAT必须要满了才会开始一下个IDAT，这个明显就是末尾的IDAT了。，对应下面的create_head()代码。，对应下面的create_tail()代码。不要考虑爆破，我已经试了一下，太多情况了。题目来源：UNCTF。_攻防世界困难模式攻略图文
达梦数据库的导出（备份）、导入_达梦数据库导入导出-程序员宅基地
文章浏览阅读2.9k次，点赞3次，收藏10次。偶尔会用到，记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录，执行导库操作 导出语句：./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释： cwy_init/init_123..._达梦数据库导入导出
js引入kindeditor富文本编辑器的使用_kindeditor.js-程序员宅基地
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件，可以删掉不需要要到的jsp，asp，asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件，在页面引入js文件：<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
STM32学习过程记录11——基于STM32G431CBU6硬件SPI+DMA的高效WS2812B控制方法-程序员宅基地
文章浏览阅读2.3k次，点赞6次，收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA，我们的数据线就会变为10101010，通过修改不同的内容，即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平，后半周期为低电平的状态。在SPI的通信模式中，CPHA配置会影响该实验，下图展示了不同采样位置的SPI时序图[1]。CPOL = 0，CPHA = 1：CLK空闲状态 = 低电平，数据在下降沿采样，并在上升沿移出CPOL = 0，CPHA = 0：CLK空闲状态 = 低电平，数据在上升沿采样，并在下降沿移出。_stm32g431cbu6
计算机网络-数据链路层_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输-程序员宅基地
文章浏览阅读1.2k次，点赞2次，收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决？5.如果在数据链路层不进行帧定界，会发生什么问题？6.PPP协议的主要特点是什么？为什么PPP不使用帧的编号？PPP适用于什么情况？为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
软件测试工程师移民加拿大_无证移民，未受过软件工程师的教育（第1部分）-程序员宅基地
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民，未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
随便推点
Thinkpad X250 secure boot failed 启动失败问题解决_安装完系统提示secureboot failure-程序员宅基地
文章浏览阅读304次。Thinkpad X250笔记本电脑，装的是FreeBSD，进入BIOS修改虚拟化配置（其后可能是误设置了安全开机），保存退出后系统无法启动，显示：secure boot failed ，把自己惊出一身冷汗，因为这台笔记本刚好还没开始做备份.....根据错误提示，到bios里面去找相关配置，在Security里面找到了Secure Boot选项，发现果然被设置为Enabled，将其修改为Disabled ，再开机，终于正常启动了。_安装完系统提示secureboot failure
C++如何做字符串分割（5种方法）_c++ 字符串分割-程序员宅基地
文章浏览阅读10w+次，点赞93次，收藏352次。1、用strtok函数进行字符串分割原型： char *strtok(char *str, const char *delim);功能：分解字符串为一组字符串。参数说明：str为要分解的字符串，delim为分隔符字符串。返回值：从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它：strtok函数线程不安全，可以使用strtok_r替代。示例：//借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
2013第四届蓝桥杯 C/C++本科A组 真题答案解析_2013年第四届c a组蓝桥杯省赛真题解答-程序员宅基地
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯：无论如何都要记日记。他的日记有个与众不同的地方，他从不注明年月日，而是用一个整数代替，比如：4210后来人们知道，那个整数就是日期，它表示那一天是高斯出生后的第几天。这或许也是个好习惯，它时时刻刻提醒着主人：日子又过去一天，还有多少时光可以用于浪费呢？高斯出生于：1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
基于供需算法优化的核极限学习机(KELM)分类算法-程序员宅基地
文章浏览阅读851次，点赞17次，收藏22次。摘要：本文利用供需算法对核极限学习机(KELM)进行优化，并用于分类。
metasploitable2渗透测试_metasploitable2怎么进入-程序员宅基地
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功，进入系统4、测试如下：二、MySQL弱密码登录：1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功，进入MySQL系统3、测试效果：三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
Python学习之路：从入门到精通的指南_python人工智能开发从入门到精通pdf-程序员宅基地
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南，从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文，您将能够掌握Python编程的核心概念，为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf