爬虫简介

爬虫程序就是获取网页的信息,提取自己需要的,并保存下来,而且全程可以自动化运行的程序.

可以用于数据挖掘、搜索引擎优化、信息监控等领域。

但是，网络爬虫也可能会对网站造成负面影响，如过度访问导致服务器负载过高等问题。

因此，在使用网络爬虫时需要遵守相关法律法规和网站的使用协议。

爬虫原理

其原理是通过模拟浏览器行为，访问网站并解析网页内容，从而获取所需的数据。

互联网可以想象为一张蜘蛛网,丝线就相当于网页与网页间的链接关系,多根丝线相交的那些节点就相当于一个个网页.

而我们的爬虫就是蜘蛛,沿着丝线爬到节点就相当于访问了该网页,获取了它的信息,然后蜘蛛继续沿着丝线爬到下一个节点,继续获取信息,这样整个网站的信息就被获取了.

爬虫能获取哪些信息呢?

在网页中有很多各种各样的信息

有常规的网页HTML源代码

有CSS、JavaScript文件

有图片、视频等二进制文件

还有很多API接口类的信息像JSON类信息等

都是可以爬取的.

总的来说只要是基于HTTP和HTTPS协议传输的数据都可以爬取.

爬虫爬取数据的具体流程

1.获取网页

前面讲了请求和响应的概念,我们对指定的网址发送一个请求,网址服务器返回响应体的数据,就是我们需要的网页源代码.

我们怎么去自动实现这个过程,并截取网页信息呢?

这时,我们就需要使用python代码库,像requests、urllib等来帮助我们自动实现请求操作,获取网站源代码了.

2.提取信息

这个源代码中就包含了我们需要的信息,可以手动提取出来,但是数据很多的话,工作量太大了,太麻烦了.

我们同样可以用提取信息的python代码库,像Beautiful Soup、lxml等来快速提取网页中的信息,文字、图片等.

3.保存数据

提取需要的数据后,可以保存为json和txt文本,也可以保存到数据库中,像MongoDB、Redis、Mysql等,还可以保存到远程的服务器中.

下面是抓取网站图片并保存在images文件夹下的python代码:

抓取网站图片并保存在images文件夹下