基于python的网页爬虫PPT格式课件下载.ppt

1、它是搜索引擎重要的组成部分。,网络爬虫,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。爬虫的分类：网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫（General Purpose Web Crawler）聚焦网络爬虫（Focused Web Crawler）增量式网络爬虫（Incremental Web Crawler）深层网络爬虫（Deep Web Crawler）,Store of spider and big

2、data,爬虫能做什么,能做什么？不能做什么？,Can Can not,Everything on HTML based internet!,Bad things!,通常意义来说，爬虫是为了在互联网中获取各种各样的信息，如果说浏览器能完成的页面访问，那么爬虫工程师都可以做出相应的爬虫。那么问题在于，爬虫开发的Cost和Benefit是否能平衡。对于敏感和隐私的数据，除非本人组织同意，否者万万不要去尝试获取这些数据。,问题,为什么Scrapy是流行的爬虫开发框架？,ScrapyScratch python,基于Python的快速、高层次的屏幕和Web抓去框架，用户专区Web站点（包括H5，移动端

3、Wap站点）并从页面中提取结构化的数据。Scrapy除了可以用来做爬虫，获取数据和数据监测；另外还可以用作自动化测试框架！Scrapy开发源码，可以做任意的修改，同时提供能各种类型的爬虫基类，如BaseSpider，sitemap，CrawlSpider，,使用Twisted异步网络库 实现异步网络请求,十分灵活：Scrapy Engine 负责整体协调，可以任意增加南北接口，借鉴Django的Middleware概念容易控制：良好的Html协议支持，并发数可控，开放性好,Scrapy Engine：处理整个系统的数据流处理、触发事物Scheduler：管理Request请求的出入栈；去除重复

4、的请求Downloader：基于Twisted的异步下载器（不处理JS）Pipeline：数据持久化，也可以在此添加验证和去重的功能Download Middleware：介于Scrapy Engine和下载器之间的middleware，处理两者这件的输入和输出请求Spider Middleware：介于Scrapy Engine和Spider。Scheduler Middleware：介于Scrapy Engine和Scheduler。,爬取简易流程,1.Engine 从Scheduler取出一个Url2.Engine讲Url包装成Request，并交由Downloader3.Downloa

5、der收到Response后，由具体的爬虫解析后生成结构化的Item数据4.把Item扔给Pipeline，Pipeline最终复杂实现数据的存储,Scrapy 的短板,不能完整的模拟浏览器。目前不能执行JavaScript。因为scrapy框架的Download Middleware没有集成任何浏览器内核。问题：Scrapy不能执行JavaScript，怎么办？,学习Scrapy需要准备的知识,Scrapy支持Python 2.x和3.x理解关键字 yield了解Html协议基本熟悉xml解析和正则表达式,So easy？,来认识这位“爬虫”,新建工程：scrapy startporject 创建需要的Item、pipeline。在spiders目录下完成.py运行scrapy crawl,