爬蟲html(零基礎(chǔ)如何學爬蟲技術(shù))
1.零基礎(chǔ)如何學爬蟲技術(shù)
建議查閱相關(guān)資料，熟悉各種語言寫爬蟲的優(yōu)缺點，再根據(jù)自身情況，選擇適合的爬蟲語言進行練習。
如果僅從“抓數(shù)據(jù)”需求來說，使用網(wǎng)頁數(shù)據(jù)采集器更為省時省力。
推薦通用型的八爪魚采集器：行業(yè)內(nèi)知名度很高的免費網(wǎng)頁采集器，擁有超過六十萬的國內(nèi)外政府機構(gòu)和知名企業(yè)用戶。免費好用，操作簡單。編程老手還能使用八爪魚的高級功能。雖然自由度不如自己寫程序，但學習成本低，能幫助用戶將有限的資源投入到更有意義的事情上去。
先從編程語言開始學，C++,python, html, sql等等
再學互聯(lián)網(wǎng)基本結(jié)構(gòu)和原理，這些都是基礎(chǔ)知識。學的越多，你對網(wǎng)絡的掌握程度就越高，各種知識最后都會融會貫通到一起。
2.如何分析網(wǎng)站網(wǎng)頁爬蟲爬取規(guī)則
既然確定了用爬蟲來自動整理文章，你得先理解爬蟲是什么。爬蟲說白了就是一個腳本程序。說到腳本，我們平時遇到一些費時費力又容易出錯的活兒，都可以把用到的命令寫到腳本里，讓計算機自動來執(zhí)行。測試同學說的自動化腳本，運維同學說的環(huán)境配置腳本，都是這個意思。一個腳本包含了很多命令，一個接一個，告訴計算機第一步干什么，之后干什么，最后干什么。
在這里，我們的目標很明確，就是寫一個爬蟲腳本，讓計算機一步一步的把「給產(chǎn)品經(jīng)理講技術(shù)」的所有歷史文章，保存成pdf。
歷史文章哪里去找？正好，微信公眾號的關(guān)注界面有一個查看歷史消息的鏈接。
點開歷史消息，這個頁面每次顯示10篇文章，如果用戶滑到底，就會再加載10篇出來，典型的異步加載。我們要找的，就是每篇文章的URL地址。只要找到所有文章的URL，就能下載到每篇文章的內(nèi)容和圖片，然后就可以進一步加工處理成pdf了。
為此，我們長按頁面選擇在瀏覽器中打開，然后把地址欄里的URL復制出來，發(fā)送到電腦上，用Chrome打開。用Chrome的最大好處，就是它有一個「開發(fā)人員工具」，可以直接查看網(wǎng)頁的源碼。按下command+option+L，打開開發(fā)人員工具，就能看到這個網(wǎng)頁的源碼了。我們要找的東西，就藏在這些亂七八糟的HTML代碼里。
如何從HTML源碼里找到我們想要的文章鏈接呢？
這要從HTML的結(jié)構(gòu)說起。HTML全稱超文本標記語言，所謂標記，就是說是它通過很多標簽來描述一個網(wǎng)頁。你看到很多像以開始，以結(jié)束的標志，就是標簽。這些標簽一般成對出現(xiàn)，標簽里面還可以套標簽，表示一種層級關(guān)系。最外面的html標簽是最大的，head、body次之，一層一層下來，最后才是一段文字，一個鏈接。你可以把它類比成一個人，這個人叫html，有head，有body,body上有hand,hand上面有finger。
扯遠了，一些常用的標簽：
1、<head>；。一個網(wǎng)頁的很多重要信息，都是在這里聲明的。比如說標題，就是在<head>；下的<title>；里定義的。一個網(wǎng)頁用到的CSS樣式，可以在<head>；下的<style>；里定義。還有你寫的JavaScript代碼，也可以在<head>；下的<script>；里定義。
2、<body>；。它包含的東西就多了，基本上我們能看到的東西，一段文字，一張圖片，一個鏈接，都在這里面。比如說：
<p>；表示一個段落
<h1>；是一段文字的大標題
<a>；表示一個鏈接
<img>；表示一張圖
<form>；是一個表單
<div>；是一個區(qū)塊
計算機是如何理解HTML的標簽的呢？其實很簡單，它就是一棵樹。你可以把<html>；當做樹根，從樹根上分出<head>；和<body>；，各個分支上又有新的分支，直到不能再分為止。這有點類似我們電腦上存放的文件。假設(shè)你有一本《21天學習C++》的電子書，存在D盤、study文件夾下的CS文件夾里。而study文件夾里除了CS文件夾，還有GRE、島國文化等目錄，代表著另一個分支體系。這也是一棵樹。樹上的每一片葉子，都有一條從根部可以到達的路徑，可以方便計算機去查找。
回到正題，有了這些基礎(chǔ)知識，我么再來看微信這個歷史消息頁面。從最外層的<html>；標簽開始，一層一層展開，中間有<body>；、有<div>；、最后找到一個<a>；標簽，標簽里面的hrefs就是每篇文章的URL了。把這個URL復制下來，在新的TAB打開，確認確實是文章的地址。
現(xiàn)在我們通過分析一個網(wǎng)頁的結(jié)構(gòu)、標簽，找到了我們想要的文章URL，我們就可以寫爬蟲去模擬這個過程了。爬蟲拿到網(wǎng)頁之后，我們可以用正則表達式去查找這個<a>；標簽，當然，也可以用一些更高級的手段來找。
3.Python爬蟲基本知識：什么是爬蟲
世界上80%的爬蟲是基于Python開發(fā)的，學好爬蟲技能，可為后續(xù)的大數(shù)據(jù)分析、挖掘、機器學習等提供重要的數(shù)據(jù)源。
什么是爬蟲？
網(wǎng)絡爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。
其實通俗的講就是通過程序去獲取web頁面上自己想要的數(shù)據(jù)，也就是自動抓取數(shù)據(jù)
爬蟲可以做什么？
你可以用爬蟲爬圖片，爬取視頻等等你想要爬取的數(shù)據(jù)，只要你能通過瀏覽器訪問的數(shù)據(jù)都可以通過爬蟲獲取。
4.如何抓取HTML頁面數(shù)據(jù)
用網(wǎng)絡爬蟲軟件來抓取，前嗅的ForeSpider數(shù)據(jù)采集軟件可以采集任何網(wǎng)站的公開數(shù)據(jù)。
ForeSpider數(shù)據(jù)采集軟件幾乎可以采集互聯(lián)網(wǎng)上所有公開的數(shù)據(jù)，通過可視化的操作流程，從建表、過濾、采集到入庫一步到位。支持正則表達式操作，更有強大的面向?qū)ο蟮哪_本語言系統(tǒng)。
臺式機單機采集能力可達4000-8000萬，日采集能力超過500萬。服務器單機集群環(huán)境的采集能力可達8億-16億，日采集能力超過4000萬。
并行情況下可支撐百億以上規(guī)模數(shù)據(jù)鏈接，堪與百度等搜索引擎系統(tǒng)媲美。l 軟件特點一.通用性：可以抓取互聯(lián)網(wǎng)上幾乎100 %的數(shù)據(jù)1.支持數(shù)據(jù)挖掘功能，挖掘全網(wǎng)數(shù)據(jù)。
2.支持用戶登錄。3.支持Cookie技術(shù)。
4.支持驗證碼識別。5.支持HTTPS安全協(xié)議。
6.支持OAuth認證。7.支持POST請求。
8.支持搜索欄的關(guān)鍵詞搜索采集。9.支持JS動態(tài)生成頁面采集。
10.支持IP代理采集。11.支持圖片采集。
12.支持本地目錄采集。13.內(nèi)置面向?qū)ο蟮哪_本語言系統(tǒng)，配置腳本可以采集幾乎100%的互聯(lián)網(wǎng)信息。
二.高質(zhì)量數(shù)據(jù)：采集+挖掘+清洗+排重一步到位1.獨立知識產(chǎn)權(quán)JS引擎，精準采集。2.集成數(shù)據(jù)挖掘功能，可以精確挖掘全網(wǎng)關(guān)鍵詞信息。
3.內(nèi)部集成數(shù)據(jù)庫，數(shù)據(jù)直接采集入庫，入庫前自動進行兩次數(shù)據(jù)排重。4.內(nèi)部創(chuàng)建數(shù)據(jù)表結(jié)構(gòu)，抓取數(shù)據(jù)后直接存入數(shù)據(jù)庫相應字段。
5.根據(jù)dom結(jié)構(gòu)自動過濾無關(guān)信息。6.通過模板配置鏈接抽取和數(shù)據(jù)抽取，目標網(wǎng)站的所有可見內(nèi)容均可采集，智能過濾無關(guān)信息。
7.采集前數(shù)據(jù)可預覽采集，隨時調(diào)整模板配置，提升數(shù)據(jù)精度和質(zhì)量。8.字段的數(shù)據(jù)支持多種處理方式。
9.支持正則表達式，精準處理數(shù)據(jù)。10.支持腳本配置，精確處理字段的數(shù)據(jù)。
三.高性能：千萬級的采集速度1.C++編寫的爬蟲，具備絕佳采集性能。2.支持多線程采集。
3.臺式機單機采集能力可達4000-8000萬，日采集能力超過500萬。4.服務器單機集群環(huán)境的采集能力可達8億-16億，日采集能力超過4000萬。
5.并行情況下可支撐百億以上規(guī)模數(shù)據(jù)鏈接，堪與百度等搜索引擎系統(tǒng)媲美。6.軟件性能穩(wěn)健，穩(wěn)定性好。
四.簡易高效：節(jié)約70%的配置時間1.完全可視化的配置界面，操作流程順暢簡易。2.基本不需要計算機基礎(chǔ)，代碼薄弱人員也可快速上手，降低操作門檻，節(jié)省企業(yè)爬蟲工程師成本。
3.過濾采集入庫一步到位，集成表結(jié)構(gòu)配置、鏈接過濾、字段取值、采集預覽、數(shù)據(jù)入庫。4.數(shù)據(jù)智能排重。
5.內(nèi)置瀏覽器，字段取值直接在瀏覽器上可視化定位。五. 數(shù)據(jù)管理：多次排重1. 內(nèi)置數(shù)據(jù)庫，數(shù)據(jù)采集完畢直接存儲入庫。
2. 在軟件內(nèi)部創(chuàng)建數(shù)據(jù)表和數(shù)據(jù)字段，直接關(guān)聯(lián)數(shù)據(jù)庫。3. 采集數(shù)據(jù)時配置數(shù)據(jù)模板，網(wǎng)頁數(shù)據(jù)直接存入對應數(shù)據(jù)表的相應字段。
4. 正式采集之前預覽采集結(jié)果，有問題及時修正配置。5. 數(shù)據(jù)表可導出為csv格式，在Excel工作表中瀏覽。
6. 數(shù)據(jù)可智能排除，二次清洗過濾。六. 智能：智能模擬用戶和瀏覽器行為1.智能模擬瀏覽器和用戶行為，突破反爬蟲限制。
2.自動抓取網(wǎng)頁的各類參數(shù)和下載過程的各類參數(shù)。3.支持動態(tài)IP代理加速，智能過濾無效IP代理，提升代理的利用效率和采集質(zhì)量。
4.支持動態(tài)調(diào)整數(shù)據(jù)抓取策略，多種策略讓您的數(shù)據(jù)無需重采，不再擔心漏采，數(shù)據(jù)采集更智能。5.自動定時采集。
6.設(shè)置采集任務條數(shù)，自動停止采集。7.設(shè)置文件大小閾值，自動過濾超大文件。
8.自由設(shè)置瀏覽器是否加速，自動過濾頁面的flash等無關(guān)內(nèi)容。9.智能定位字段取值區(qū)域。
10.可以根據(jù)字符串特征自動定位取值區(qū)域。11.智能識別表格的多值，表格數(shù)據(jù)可以完美存入相應字段。
七. 優(yōu)質(zhì)服務1.數(shù)據(jù)采集完全在本地進行，保證數(shù)據(jù)安全性。2.提供大量免費的各個網(wǎng)站配置模板在線下載，用戶可以自由導入導出。
3.免費升級后續(xù)不斷開發(fā)的更多功能。4.為用戶提供各類高端定制化服務，全方位來滿足用戶的數(shù)據(jù)需求。
5.學習Python爬蟲和Web應該看哪些書籍
看書是基礎(chǔ)，除此之外還有學習路線，該怎么學習，跟著路線來學的話，更加有效果。
第一階段—Python基礎(chǔ)準備：本階段主要是學習Python零基礎(chǔ)入門學習視頻教程，html+css、javascript、jquery、python編程基礎(chǔ)、python初探等，讓你輕松入門python語言。
第二階段—Python Web開發(fā)： 本階段是主要Python開發(fā)基礎(chǔ)知識的講解，通過系統(tǒng)學習mysql數(shù)據(jù)庫、django、ajax、Tornado入門、個人博客系統(tǒng)實戰(zhàn)等相關(guān)技術(shù)，全面掌握python基礎(chǔ)開發(fā)技能技巧。
第三階段—Python擴展開發(fā)：本階段Python
開發(fā)進階，主要是Python開發(fā)實戰(zhàn)講解，針對有一定Python開發(fā)基礎(chǔ)學員，從Tkinter桌面編程、Python開發(fā)跨平臺的記事本、編程實
戰(zhàn)、python爬蟲、論壇項目實戰(zhàn)等方面深入講解，讓學員快速精通python開發(fā)語言。
第四階段—Python開發(fā)選修：本節(jié)階段是Python開發(fā)的一個拓展講解，主要是Linux系統(tǒng)、Flask框架、redis框架、node.js框架、html5+css3等相關(guān)系統(tǒng)和框架及技術(shù)方面的結(jié)合使用學習，讓精通python開發(fā)的你，技藝更加精湛。
