爬虫总结
大数库时代：数据如何产生？
１. 打的公司打的企业：通过用户产生的数据
２．大的数据平台：通过收集或者和其他企业或者公司合作
３．国家政府／大的机构：通过省县乡或者其他方式统计汇总产生的
４．数据咨询公司：通过收集或者和其他企业或者公司合作,会根据数据做分析对比形成报表
，给你做数据参考
５．最终假如以上方式都不能满足的时候，我们就需要一个爬虫工程师，去专门做数据的提取
1.什么是爬虫？
就是一段自动获取互联网数据的程序
2.爬虫有什么用途？
搜索引擎
比价工具（慧慧购物助手）
大的资讯网站（jobbole,今日头条...）
网站的三大特性：
１．每一个资源都一个url(统一资源定位符)，是唯一的
２．网页都是使用HTML（超文本）文本展示数据的
３．通过HTTP/HTTPS(超文本传输协议),获取和传递HTML
3.如何实现一个爬虫
(1).找到目标url
(2).根据url发起请求
(3).解析响应结果：
a).提取目标数据
b).如何存在新的url,进一步提取（会执行1-3这个循环）
(4).爬虫结束:所有符合条件的url请求全部获取完毕，意味着爬虫结束
4.为什么要使用python做爬虫？
PHP,java,c/c++,python .....
PHP:可以用来做爬虫，但是对多任务的支持不是太好，爬虫是对像驴要求比较高的，
所以说PHP天生不是干这个事情的.
JAVA:生态圈很完善，并且用途非常广泛（后端，移动端．．），java做爬虫是
python最大的竞争对手，但是java代码量比较大，重构的成本比较高．
c/c++:肯定是可以完成爬虫这件事的，并且运行的效率是非常高的，但是学习的门槛
非常高，各个模块可能需要你自己封装和定制．（能使用c/c++的人一般比较nb）
python:语法简介，代码优美，可读性高，并且对各模块的支持比较好，有很多强大的三方包，
对多任务的处理也比较好，urllib,requests都能够很好的帮助我们实现一个爬虫项目，
解析的库也非常多（lxml,bs4，pyquery...）,并且还有强大的scrapy爬虫框架
和scrapy_redis分布式爬虫框架．并且python作为一门胶水语言，对于其他语言的
调度也是非常方便的．
爬虫分为两类：
通用爬虫：通用爬虫是浏览器的重要组成部分，将互联网上所有的网页下载到本地，
做了一个镜像备份，提取重要数据（过滤数据，分词，去广告等等等．．）
步骤其实跟上面介绍的类似
搜索引擎的爬取的url通过什么方式获取的？？
1.通过网站的外链
2.通过网页提交url:(百度：http://zhanzhang.baidu.com/linksubmit/url)
3.各大搜索引擎公司也会和DNS服务商合作
DNS:将我们的域名转化为ip的一种技术
通用爬虫(搜索引擎)的缺点：
1.需要遵循robot协议：Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。
2.搜索引擎返回的结果千篇一律没有很好的针对性,不能够特殊的用户群体返回对应的数据
3.搜索引擎一般情况下获取的是文本信息，处理图像，音频，视频多媒体还是有困难的．
聚焦爬虫：是面向主题的爬虫，由需求产生的，是一种定向的爬虫，
在爬取网页数据的时候，会对网页数据进行一些赛选，保证之抓取和
需求相关的数据,以后我们更多的就是实现聚焦爬虫
做爬虫需要掌握的基本知识
1.python的基本语法
- 前端知识
- 数据持久化的知识
- 了解基本的反爬虫的手段（header请求头，验证码，cookies,代理）
- 静态页面和动态页面(ajax,js),selenium(获取的页面源码是经过浏览器渲染之后的最终结果)
- 多任务处理,爬虫框架，分布式爬虫等等
HTTP:超文本传输协议,主要使用来将html文本传输到本地浏览器．
HTTPS:作用和HTTP一致，只是多了SSL（安全套接字层），保证数据>传输的安全性
１.建立一个安全有效的数据传输通道，保证数聚的安全性
2.保证网站的真实性和有效性
url的组成部分：
1.scheme:协议
2.host:指的是域或者ip
3.port:端口
4.path:资源路径
5.query-string：请求的参数
6.anchor:锚点，主要是实现页面的定位作用
请求头：
User-Agent:模拟浏览器加载
Cookies:携带cookies第一可以维持会话，告诉浏览器用户的身份信息
Refere:告诉浏览器，当前请求，是从哪个页面发起的．
常见的状态码：
2xx：表示服务器成功接收请求并已完成整个处理过程。
200（OK 请求成功）。
3xx：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、 常用
301: 永久重定向
302：临时重定向（所请求的页面已经临时转移至新的url）
4xx：客户端的请求有错误.
400:错误请求，服务器无法解析请求
401:未授权，没有进行身份验证
403:服务器拒绝访问
404:服务器无法找到被请求的网页
408:请求超时
5xx:服务器端出现错误
500:服务器内部错误
501:服务器不具备完成请求的功能
503:服务器不可用
