株洲市创翼玖零电子商务职业培训学校主要有株洲淘宝培训、株洲平面设计培训、株洲it教育、株洲软件教育、拼多多培训、株洲办公文秘培训、高考教育,单招培训,铁路铁道单招考试培训等。

产品描述

首先爬虫是什么?


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,自动的抓取万维网信息的程序或者脚本。


根据我的经验,要学习Python爬虫,我们要学习的共有以下几点:


[li]


Python基础知识[/li][li]


Python中urllib和urllib2库的用法[/li][li]


Python正则表达式[/li][li]


Python爬虫框架Scrapy[/li][li]


Python爬虫更高级的功能[/li]


1. Python基础学习


首先,我们要用Python写爬虫,肯定要了解Python的基础吧,万丈高楼平地起,不能忘啦那地基。


2. Python urllib和urllib2 库的用法


urllib和urllib2库是学习Python爬虫最基本的库,利用这个库我们可以得到网页的内容,并对内容用正则表达式提取分析,得到我们想要的结果。


3. Python 正则表达式


Python正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则,凡是符合规则的字符串,我们就认为它“匹配”了,否则,该字符串就是不合法的。


4. 爬虫框架Scrapy


如果你是一个Python高手,基本的爬虫知识都已经掌握了,那么就寻觅一下Python框架吧,我选择的框架是Scrapy框架。这个框架有什么强大的功能呢?下面是它的官方介绍:


HTML, XML源数据 选择及提取 的内置支持


提供了一系列在spider之间共享的可复用的过滤器(即 Item Loaders),对智能处理爬取数据提供了内置支持


通过 feed导出 提供了多格式(JSON、CSV、XML),多存储后端(FTP、S3、本地文件系统)的内置支持


提供了media pipeline,可以 自动下载 爬取到的数据中的图片(或者其他资源)。


高扩展性。您可以通过使用 signals ,设计好的API(中间件, extensions, pipelines)来定制实现您的功能。


内置的中间件及扩展为下列功能提供了支持:


[blockquote]cookies and session 处理


HTTP 压缩


HTTP 认证


HTTP 缓存


user-agent模拟


robots.txt


爬取深度限制


针对非英语语系中不标准或者错误的编码声明, 提供了自动检测以及健壮的编码支持。[/blockquote]


[li]


支持根据模板生成爬虫。在加速爬虫创建的同时,保持在大型项目中的代码更为一致。详细内容请参阅 genspider 命令。[/li][li]


针对多爬虫下性能评估、失败检测,提供了可扩展的 状态收集工具 。[/li][li]


提供 交互式shell终端 , 为您测试XPath表达式,编写和调试爬虫提供了极大的方便[/li][li]


提供 System service, 简化在生产环境的部署及运行[/li][li]


内置 Web service, 使您可以监视及控制您的机器[/li][li]


内置 Telnet终端 ,通过在Scrapy进程中钩入Python终端,使您可以查看并且调试爬虫[/li][li]


Logging 为您在爬取过程中捕捉错误提供了方便[/li][li]


支持 Sitemaps 爬取[/li][li]


具有缓存的DNS解析器[/li]


产品推荐