經(jīng)過前面Python基礎內(nèi)容的學習，相信好多小伙伴都感覺一身本事，但是無用武之地吧，哈哈哈。。。，不要著急，如你們的愿，在爬蟲階段，我們就大膽的把基礎部分的內(nèi)容應用一下吧~~此時此刻，你準備好了嗎?我們要開始爬蟲的學習之路嘍

　　1.爬蟲簡介

　　模擬瀏覽器，發(fā)送請求，獲取響應

　　網(wǎng)絡爬蟲，英文名為Spider,又稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人，在數(shù)據(jù)分析應用中，更多的將爬蟲稱為數(shù)據(jù)采集程序，是一種按照一定的規(guī)則，自動地抓取網(wǎng)絡信息的程序或者腳本。

　　• 原則上,只要是客戶端(瀏覽器)能做的事情，爬蟲都能夠做

　　• 爬蟲也只能獲取客戶端(瀏覽器)所展示出來的數(shù)據(jù)

　　網(wǎng)絡中的數(shù)據(jù)可以是由web服務器【Nginx/Apache】，數(shù)據(jù)庫服務【MySQL/Redis/MongoDB】，索引庫，大數(shù)據(jù)，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(shù)據(jù)必須是公開的，非盈利的，如：如果侵入人家非公開的網(wǎng)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?shù)木W(wǎng)站，如果爬取數(shù)據(jù)，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(shù)據(jù)公司“巧達科技”被一鍋端、“車來了”涉嫌偷數(shù)據(jù)被警方立案等

　　2.爬蟲分類

　　通用爬蟲：

　　通用網(wǎng)絡爬蟲從互聯(lián)網(wǎng)中搜集網(wǎng)頁，采集信息，這些網(wǎng)頁信息決定著整個引擎系統(tǒng)的內(nèi)容是否豐富，信息是否即時，因此其性能的優(yōu)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：

　　a.通用搜索引擎所返回的結(jié)果都是網(wǎng)頁，而大多情況下，網(wǎng)頁里90%的內(nèi)容對用戶來說都是無用的。

　　b.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(jié)果。

　　c.萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡技術的不斷發(fā)展，圖片、數(shù)據(jù)庫、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎對這些文件無能為力，不能很好地發(fā)現(xiàn)和獲取。

　　d.通用搜索引擎大多提供基于關鍵字的檢索，難以支持根據(jù)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(wǎng)絡爬蟲程序，它與通用搜索引擎爬蟲的區(qū)別在于： 聚焦爬蟲在實施網(wǎng)頁抓取時會對內(nèi)容進行處理篩選，盡量保證只抓取與需求相關的網(wǎng)頁信息, 如12306搶票，或?qū)ｉT抓取某一個(某一類)網(wǎng)站數(shù)據(jù)

　　根據(jù)是否以獲取數(shù)據(jù)為目的，可以分為：

　　• 功能性爬蟲，給你喜歡的明星投票、點贊

　　• 數(shù)據(jù)增量爬蟲，比如招聘信息

　　根據(jù)url地址和對應的頁面內(nèi)容是否改變，數(shù)據(jù)增量爬蟲可以分為：

　　• 基于url地址變化、內(nèi)容也隨之變化的數(shù)據(jù)增量爬蟲

　　• url地址不變、內(nèi)容變化的數(shù)據(jù)增量爬蟲

　　看到這里，大家是不是發(fā)現(xiàn)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(xiàn)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!!!

　　3.爬蟲的作用

　　爬蟲在互聯(lián)網(wǎng)世界中有很多的作用，比如：

　　數(shù)據(jù)采集,比如：

　　• 抓取微博評論(機器學習輿情監(jiān)控)

　　• 抓取招聘網(wǎng)站的招聘信息(數(shù)據(jù)分析、挖掘)

　　• 新浪滾動新聞

　　• 百度新聞網(wǎng)站

　　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。

　　搶票和投票

　　• 12306搶票

　　• 投票網(wǎng)

　　網(wǎng)絡安全

　　• 短信轟炸

　　• web漏洞掃描

　　4.技術步驟

　　第一步：爬取數(shù)據(jù)，實際上就是根據(jù)一個網(wǎng)址向服務器發(fā)起網(wǎng)絡請求，獲取到服務器返回的數(shù)據(jù)

　　第二步：解析數(shù)據(jù)，將服務器返回的數(shù)據(jù)轉(zhuǎn)換為人容易理解的樣式

　　第三步：篩選數(shù)據(jù)，從大量的數(shù)據(jù)中篩選出需要的數(shù)據(jù)

　　第四步：存儲數(shù)據(jù)，將篩選出來的有用的數(shù)據(jù)存儲起來，如：數(shù)據(jù)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(xiàn)一個爬蟲任務還是很簡單的

　　我們本節(jié)課的內(nèi)容就到此結(jié)束啦，通過本節(jié)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(nèi)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。更多關于“Python培訓”的問題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學，課程大綱緊跟企業(yè)需求，更科學更嚴謹，每年培養(yǎng)泛IT人才近2萬人。不論你是零基礎還是想提升，都可以找到適合的班型，千鋒教育隨時歡迎你來試聽。