爬虫

爬虫
原图链接来自知乎

中文名: 网络爬虫外文名： web crawler 别称：网络蜘蛛目的：按要求获取万维网信息作用：抓取网站上的信息算法：网络拓扑、基于网页内容和基于用户访问行为三种算法

爬虫：（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。^[1]

爬虫的概念

爬虫更官方点的名字叫数据采集，英文一般称作spider，就是通过编程来全自动的从互联网上采集数据。

比如说搜索引擎就是一种爬虫。爬虫需要做的就是模拟正常的网络请求，比如你在网站上点击一个网址，就是一次网络请求。

现如今大数据时代已经到来，网络爬虫技术成为这个时代不可或缺的一部分，企业需要数据来分析用户行为，来分析自己产品的不足之处，来分析竞争对手的信息等等，但是这些的首要条件就是数据的采集。这其中使用爬虫较为有名的有今日头条等公司。^[2]

根据被爬网站的数量的不同，我们把爬虫分为：

聚焦爬虫：针对特定网站的爬虫

爬虫的工作流程(重点)

总结: 搜索引擎流程与聚焦爬虫流程的区别: 搜索引擎流程:

爬取范围: 整个网络, 见到URL就爬保存的数据: 保存的是原始的HTML预处理: 主要是分词, 排名

聚焦爬虫流程

爬取范围: 特定的URL, 只有有需要的数据的URL,才爬取保存的数据: 保存的是需要的数据.^[3]

爬虫的本质就是自动化的去模拟正常人类发起的网络请求，然后获取网络请求所返回的数据。跟我们人手动去点击一个连接，访问一个网页获取数据，并没有什么本质的区别。

爬虫的难点主要为两个方向：

数据的获取

一般来说我们想要抓取的网站是不希望我们去抓取他的数据的，那么这些网站就会做一些反爬虫的措施，来让我们无法去他的网站上抓取数据。所以我们也要做相应的措施去绕过这些反爬虫措施。

抓取数据的速度

我们抓取的目标的数据量，有时是非常庞大的，甚至几千万上亿的数据量，而有些甚至会要求实时的更新，所以抓取的速度也非常重要。我们一般会使用并发和分布式来解决速度的问题。

Python基础教程：零基础入门爬虫

六分钟了解爬虫项目的大概过程