第一章 爬虫简介

1.1 什么是网络爬虫

1.1.1 爬虫的简单定义

网络爬虫（又被称为网页蜘蛛，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。

简单来说：使用事先写好的程序去抓取网络上所需要的数据，这样的程序就叫网络爬虫。

1.1.2 爬虫的分类

网络爬虫可以分为通用网络爬虫(如搜索引擎的爬虫，根据几个URL的种子不断的去抓取数据)和聚焦网络爬虫(有选择性的抓取预先定义好的主题和相关页面的网络爬虫)。

A.通用网络爬虫：

搜索引擎中第一步就是爬虫。但是搜索引擎中的爬虫是一种广泛获取各种网页的信息的程序；除了HTML文件外，搜索引擎通常还会抓取和索引文字为基础的多种文件类型，如TXT，WORD，PDF等； 但是对于图片，视频，等非文字的内容则一般不会处理；但是对于脚本和一些网页中的程序是不会处理的；

B.聚焦网络爬虫：

针对某一特定领域的数据进行抓取的程序。比如旅游网站，金融网站，招聘网站等等；特定领域的聚集爬虫会使用各种技术去处理我们需要的信息，所以对于网站中动态的一些程序，脚本仍会执行，以保证确定能抓取到网站中的数据；

1.2 为什么需要爬虫

1.2.1 爬虫的用途

A.解决冷启动问题：对于很多社交类的网站，冷启动是很困难的。对于新注册的用户而言，要留住他们，需要先注入一批假用户，已构造社区的氛围。一般这些假的用户可以通过网络爬虫从微博或其他APP中抓取而来；今日头条等互联网媒体最早也就是使用了爬虫+网页排序的技术，所以它们解决冷启动的方式也是需要爬虫； B.搜索引擎的根基：做搜索引擎少不了爬虫程序；

C.建立起知识图谱，帮助建立机器学习的训练集：

D.可以制作各种商品的比价，趋势分析等：

E.其他：比如分析淘宝上竞争对手的数据；分析微博的数据传递影响力，政府的舆情分析，分析人与人之间的关系等等；

总之一句话：在当今的大数据时代，做任何价值分析的前提是数据，而爬虫则是获得这个前提的一个低成本高收益手段；而对同学们而言，另一个重要的价值是解决就业问题。1.2.2怎么做爬虫

用Python做爬虫非常的简单，在交互式环境中简单的两行代码即可

做一个爬虫如此简单吗？

当然不是。让我们来看下要做一个爬虫工程师需要哪些知识和技能：

****爬虫工程师的晋级之路，网络爬虫涉及哪些技术：

初级爬虫工程师：

1. Web前端的知识：HTML, CSS, JavaScript, DOM, DHTML, Ajax, jQuery,json等；

2. 正则表达式，能提取正常一般网页中想要的信息，比如某些特殊的文字，链接信息，知道什么是懒惰，什么是贪婪型的正则；

3. 会使用re, BeautifulSoup，XPath等获取一些DOM结构中的节点信息；

4. 知道什么是深度优先，广度优先的抓取算法，及实践中的使用规则；

5. 能分析简单网站的结构，会使用urllib，urllib2或requests库进行简单的数据抓取；

中级爬虫工程师：

1. 了解什么是Hash，会使用简单的MD5,SHA1等算法对数据进行Hash以便存储；

2. 熟悉HTTP,HTTPS协议的基础知识,了解GET，POST方法,了解HTTP头中的信息，包括返回状态码，编码，user-agent，cookie，session等；

3. 能设置User-Agent进行数据爬取，设置代理等；

4. 知道什么是Request，什么是Response，会使用Fiddle, Wireshark等工具抓取及分析简单的网络数据包；对于动态爬虫，要学会分析Ajax请求，模拟制造Post数据包请求，抓取客户端session等信息，对于一些简单的网站，能够通过模拟数据包进行自动登录；

5. 对于比较难搞定的网站，学会使用phatomjs+selenium抓取一些动态网页信息；

6. 并发下载，通过并行下载加速数据抓取；多线程的使用；

高级爬虫工程师：

1. 能使用Tesseract，百度AI等库进行验证码识别；

2. 能使用数据挖掘的技术，分类算法等避免死链等；1. 会使用常用的数据库进行数据存储，查询，如Mongodb，Redis(大数据量的缓存)等；下载缓存，学习如何通过缓存避免重复下载的问题；Bloom Filter的使用；

2. 能使用机器学习的技术动态调整爬虫的爬取策略，从而避免被禁IP封号等；

3. 能使用一些开源框架Scrapy，Celery等分布式爬虫，能部署掌控分布式爬虫进行大规模的数据抓取；