Python爬虫:认识爬虫
一、爬虫的定义 定义:程序或者脚本,自动爬取万维网的数据的程序或者脚本 二、爬虫可以解决的问题 解决冷启动的问题 搜索引擎的根基,(通用爬虫) 帮助机器学习建立知识图谱 制作各种比价软件 三、爬虫工程师 初级爬虫工程师 web前端的知识:HTML、CSS、JavaSc1ipt、 DOM、 DHTML 、Ajax、jQuery、json 等; 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; 会使用 XPath 等获取一些DOM 结构中的节点信息; 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; 能分析简单网站的结构, 会使用urllib或requests 库进行简单的数据抓取。 中级爬虫工程师 了解什么是Hash,会简单的使用MD5,sha1等算法对数据进行Hash一遍存储 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 能设置user-agent进行数据爬取,设置代理等 知道什么是Request,什么是response,会使用Fiddler等工具抓取及分析简单地网络数据包;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