《基于python的网页爬虫》由会员分享，可在线阅读，更多相关《基于python的网页爬虫（16页珍藏版）》请在金锄头文库上搜索。
1、Scrapy基于python的网页爬虫内容大纲爬虫的由来爬虫与大数据的联系Scrapy框架简介学习Scrapy需要准备的知识Scrapy的基本逻辑和运行原理认识第一个爬虫爬虫方向的前景和细分问题爬虫有哪些特点，如何区分？爬虫为什么会出现（开放性问题）？你讨厌爬虫吗？Quick glance爬虫的由来即网络爬虫，是一种自动获取页面内容的程序。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
2、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（GeneralPurposeWebCrawler）聚焦网络爬虫（FocusedWebCrawler）增量式网络爬虫（IncrementalWebCrawler）深层网络爬虫（DeepWebCrawler）Store of spider and big data爬虫能做什么能做什么？不能做什么？Can Can notEverything 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
3、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
4、 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ScrapyEngine：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DownloadMiddleware：介于ScrapyEngine和下载器之间的middleware，处理两者这件的输入和输出请求SpiderMiddleware：介于Scra
5、pyEngine和Spider。SchedulerMiddleware：介于ScrapyEngine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.Downloader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DownloadMiddleware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Python2.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
