隨著大數(shù)據(jù)時(shí)代的到來(lái)，數(shù)據(jù)將如同煤電氣油一樣，成為我們最重要的能源之一，然而這種能源是可以源源不斷產(chǎn)生、可再生的。而Python爬蟲作為獲取數(shù)據(jù)的關(guān)鍵一環(huán)，在大數(shù)據(jù)時(shí)代有著極為重要的作用。于是許多同學(xué)就前來(lái)咨詢：Python爬蟲好學(xué)嗎?

什么是爬蟲?

網(wǎng)絡(luò)爬蟲，又被稱為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò)機(jī)器人，是一種按照一定的規(guī)則，自動(dòng)地抓取萬(wàn)維網(wǎng)信息的程序或者腳本。

數(shù)據(jù)從何而來(lái)？

要想學(xué)Python首先請(qǐng)問(wèn)：我們所爬的數(shù)據(jù)，是從哪里來(lái)的呢?

企業(yè)產(chǎn)生的用戶數(shù)據(jù)：百度指數(shù)、阿里指數(shù)、TBI騰訊瀏覽指數(shù)、新浪微博指數(shù);

數(shù)據(jù)平臺(tái)購(gòu)買數(shù)據(jù)：數(shù)據(jù)堂、國(guó)云數(shù)據(jù)市場(chǎng)、貴陽(yáng)大數(shù)據(jù)交易所;

政府/機(jī)構(gòu)公開(kāi)的數(shù)據(jù)：中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)、世界銀行公開(kāi)數(shù)據(jù)、聯(lián)合國(guó)數(shù)據(jù)、納斯達(dá)克;

數(shù)據(jù)管理咨詢公司：麥肯錫、埃森哲、艾瑞咨詢;

爬取網(wǎng)絡(luò)數(shù)據(jù)：如果需要的數(shù)據(jù)市場(chǎng)上沒(méi)有，或者不愿意購(gòu)買，那么可以選擇招/做一名爬蟲工程師，自己動(dòng)手豐衣足食。

怎么抓取頁(yè)面數(shù)據(jù)?

網(wǎng)頁(yè)三大特征：

網(wǎng)頁(yè)都有自己唯一的URL（統(tǒng)一資源定位符）來(lái)進(jìn)行定位；

網(wǎng)頁(yè)都使用HTML （超文本標(biāo)記語(yǔ)言）來(lái)描述頁(yè)面信息；

網(wǎng)頁(yè)都使用HTTP/HTTPS（超文本傳輸協(xié)議）協(xié)議來(lái)傳輸HTML數(shù)據(jù)；

爬蟲的設(shè)計(jì)思路：

首先確定需要爬取的網(wǎng)頁(yè)URL地址。

通過(guò)HTTP/HTTP協(xié)議來(lái)獲取對(duì)應(yīng)的HTML頁(yè)面。

提取HTML頁(yè)面里有用的數(shù)據(jù)：

a. 如果是需要的數(shù)據(jù)，就保存起來(lái)。

b. 如果是頁(yè)面里的其他URL，那就繼續(xù)執(zhí)行第二步。

結(jié)語(yǔ)：Python爬蟲的學(xué)習(xí)實(shí)際上在Python學(xué)習(xí)過(guò)程中是一個(gè)基礎(chǔ)入門級(jí)的部分，學(xué)起來(lái)沒(méi)啥難的，但它確實(shí)是職業(yè)能力中不可或缺的技能之一。、

內(nèi)容擴(kuò)展：

一個(gè)簡(jiǎn)單的爬蟲實(shí)例：

 
import urllib,urllib2
import re
def geturllist():
  # 不訪問(wèn)網(wǎng)站，而是實(shí)例一個(gè)對(duì)象，為了模擬瀏覽器訪問(wèn)服務(wù)器
  req = urllib2.Request("http://www.budejie.com/video/")
  
  # 添加申請(qǐng)?jiān)L問(wèn)的header，讓對(duì)方服務(wù)器誤以為是瀏覽器申請(qǐng)?jiān)L問(wèn)（參數(shù)是通過(guò)瀏覽器復(fù)制過(guò)來(lái)的）
  req.add_header('User-Agent',' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36')
 
  # 打開(kāi)我剛才創(chuàng)建的實(shí)例對(duì)象
  res =urllib2.urlopen(req)
  html = res.read()
  print html # 訪問(wèn)到了資源代碼
 
  # 定義一個(gè)正則化表達(dá)式為了獲取我要的視頻網(wǎng)址
  reg = r'data-mp4="(.*?)">'
  # 將網(wǎng)頁(yè)源碼中的視頻網(wǎng)址找出來(lái)
  urllist = re.findall(reg,html)
  # print urllist
 
  # 有20個(gè)視頻網(wǎng)址，用for循環(huán)一個(gè)一個(gè)下載出來(lái)
  n = 1
  for url in urllist:
    # url 視頻網(wǎng)址，'%s.mp4'下載后的名字，url.split('/')[-1] 將字符串按照‘/'分開(kāi)
    urllib.urlretrieve(url,'%s.mp4' %url.split('/')[-1]) # 下載視頻
    n = n+1
 
geturllist()

到此這篇關(guān)于python爬蟲容易學(xué)嗎的文章就介紹到這了,更多相關(guān)python爬蟲好學(xué)嗎內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論