python技術中最為津津樂道的技術就是爬蟲了，提到python爬蟲相信大家就算沒用過也有聽說過，今天小千就來給大家介紹一下關于python爬蟲的那點事，小白同學注意好好聽，拿好小本本記筆記啦。
什么是python爬蟲？
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
爬蟲都有哪幾種？
python培訓爬蟲分類" />
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：
1.通用搜索引擎所返回的結果都是網(wǎng)頁，而大多情況下，網(wǎng)頁里90%的內容對用戶來說都是無用的。
2.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果。
3.萬維網(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。
4.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，或專門抓取某一個（某一類）網(wǎng)站數(shù)據(jù)
1.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
2.根據(jù)url地址和對應的頁面內容是否改變，數(shù)據(jù)增量爬蟲可以分為：基于url地址變化、內容也隨之變化的數(shù)據(jù)增量爬蟲。url地址不變、內容變化的數(shù)據(jù)增量爬蟲
爬蟲能干什么？
1. 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
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)絡安全：短信轟炸、web漏洞掃描
以上就是關于python爬蟲的那點事了，最后歡迎對python爬蟲感興趣的同學來到千鋒python培訓班了解一下我們的python培訓課程，全程名師面授，還有免費python學習資料可以領取，感興趣就趕緊來看一看吧。
京公網(wǎng)安備 11010802030320號