初識爬蟲
一、爬蟲簡介
模擬瀏覽器，發(fā)送請求，獲取響應(yīng)
網(wǎng)絡(luò)爬蟲，英文名為Spider,又稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機(jī)器人，在數(shù)據(jù)分析應(yīng)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(luò)信息的程序或者腳本。
l 原則上,只要是客戶端(瀏覽器)能做的事情，爬蟲都能夠做
l 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(luò)中的數(shù)據(jù)可以是由web服務(wù)器【Nginx/Apache】，數(shù)據(jù)庫服務(wù)【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(wù)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(luò)，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(hù)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(dá)科技”被一鍋端、“車來了”涉嫌偷數(shù)據(jù)被警方立案等
二、爬蟲分類
通用爬蟲：
通用網(wǎng)絡(luò)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：
l 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。
l 不同領(lǐng)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。
l 萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)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。
l 通用搜索引擎大多提供基于關(guān)鍵字的檢索，難以支持根據(jù)語義信息提出的查詢，無法準(zhǔn)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(luò)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(jìn)行處理篩選，盡量保證只抓取與需求相關(guān)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：
l 功能性爬蟲，給你喜歡的明星投票、點贊
l 數(shù)據(jù)增量爬蟲，比如招聘信息
2. 根據(jù)url地址和對應(yīng)的頁面內(nèi)容是否改變，數(shù)據(jù)增量爬蟲可以分為：
l 基于url地址變化、內(nèi)容也隨之變化的數(shù)據(jù)增量爬蟲
l 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(yīng)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(xué)會的，奧利給！！！
三、爬蟲的作用
爬蟲在互聯(lián)網(wǎng)世界中有很多的作用，比如：
1. 數(shù)據(jù)采集,比如：
抓取微博評論(機(jī)器學(xué)習(xí)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
2. 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(yīng)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。
3. 搶票和投票
4. 網(wǎng)絡(luò)安全
短信轟炸
web漏洞掃描
四、技術(shù)步驟
第1步：爬取數(shù)據(jù)，實際上就是根據(jù)一個網(wǎng)址向服務(wù)器發(fā)起網(wǎng)絡(luò)請求，獲取到服務(wù)器返回的數(shù)據(jù)
第2步：解析數(shù)據(jù)，將服務(wù)器返回的數(shù)據(jù)轉(zhuǎn)換為人容易理解的樣式
第3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4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(wù)還是很簡單的
好了，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(xué)習(xí)，我們對爬蟲有了大概的認(rèn)識，并大概了解了爬蟲相關(guān)的一些相關(guān)技術(shù)，有了這些概念的加持，對我們學(xué)習(xí)后面的內(nèi)容會有很大的幫助，期待大家學(xué)習(xí)完爬蟲的全部課程之后，能有一個不錯的收獲
京公網(wǎng)安備
11010802035719號