一、爬蟲與數(shù)據(jù)
（一）為什么要做爬蟲
都說(shuō)現(xiàn)在是大數(shù)據(jù)時(shí)代，但是與之相對(duì)應(yīng)的問(wèn)題是，大數(shù)據(jù)中的數(shù)據(jù)從何而來(lái)。可以人工收集數(shù)據(jù)，但是人工收集數(shù)據(jù)的效率卻免不了太過(guò)低下。也可以找一些專門從事數(shù)據(jù)服務(wù)的公司進(jìn)行購(gòu)買，但會(huì)花費(fèi)不菲的代價(jià)。下面是經(jīng)常用到的一些數(shù)據(jù)類的網(wǎng)站。
1、 企業(yè)產(chǎn)生的用戶數(shù)據(jù)：
百度指數(shù)： http://index.baidu.com/
阿里指數(shù)： https://alizs.taobao.com/
TBI 騰訊瀏覽指數(shù)： http://tbi.tencent.com/
新浪微博指數(shù)： http://data.weibo.com/index
2、 數(shù)據(jù)平臺(tái)購(gòu)買數(shù)據(jù)：
數(shù)據(jù)堂： http://www.datatang.com/about/about-us.html
國(guó)內(nèi)數(shù)據(jù)市場(chǎng)： http://www.moojnn.com/data-market/
貴陽(yáng)大數(shù)據(jù)交易所： http://trade.gbdex.com/trade.web/index.jsp
3、 政府/機(jī)構(gòu)公開的數(shù)據(jù)：
中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)： http://data.stats.gov.cn/index.htm
世界銀行公開數(shù)據(jù)： http://data.worldbank.org.cn/
聯(lián)合國(guó)數(shù)據(jù)： http://data.un.org/
納斯達(dá)克： http://www.nasdaq.com/zh
4、 數(shù)據(jù)管理咨詢公司：
INS(500 人， 一年產(chǎn)值 300 億)
麥肯錫： http://www.mckinsey.com.cn/
埃森哲： https://www.accenture.com/cn-zh/
艾瑞咨詢： http://www.iresearch.com.cn/
或者可以選擇招聘/做一名爬蟲工程，自己動(dòng)手尋找數(shù)據(jù)。
（二）爬蟲是什么
通俗理解：爬蟲是一個(gè)模擬人類請(qǐng)求網(wǎng)站行為的程序。可以自動(dòng)請(qǐng)求網(wǎng)頁(yè)、并數(shù)據(jù)抓取下來(lái)，然后使用一定的規(guī)則提取有價(jià)值的數(shù)據(jù)。
專業(yè)解釋：網(wǎng)絡(luò)爬蟲
（三）我們需要學(xué)習(xí)什么來(lái)使用爬蟲
Python 基礎(chǔ)語(yǔ)法學(xué)習(xí)（基礎(chǔ)知識(shí)）
HTML 頁(yè)面的內(nèi)容抓取（數(shù)據(jù)抓取）
HTML 頁(yè)面的數(shù)據(jù)提取（數(shù)據(jù)清洗）
Scrapy 框架以及 scrapy-redis 分布式策略（第三方框架）
爬蟲(Spider)、 反爬蟲(Anti-Spider)、 反反爬蟲(Anti-Anti-Spider)之間的斗爭(zhēng)…
三、爬蟲的種類
網(wǎng)絡(luò)爬蟲按照系統(tǒng)結(jié)構(gòu)和實(shí)現(xiàn)技術(shù)，大致可以分為以下幾種類型：通用網(wǎng)絡(luò)爬蟲（General Purpose Web Crawler）、聚焦網(wǎng)絡(luò)爬蟲（Focused Web Crawler）、增量式網(wǎng)絡(luò)爬蟲（Incremental Web Crawler）、深層網(wǎng)絡(luò)爬蟲（Deep Web Crawler）。 實(shí)際的網(wǎng)絡(luò)爬蟲系統(tǒng)通常是幾種爬蟲技術(shù)相結(jié)合實(shí)現(xiàn)的。
（一） 通用爬蟲
通用網(wǎng)絡(luò)爬蟲是搜索引擎抓取系統(tǒng)（Baidu、 google、 Yahoo 等） 的重要組成部分。 主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁(yè)下載到本地， 形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份。
（二） 通用搜索引擎（Search Engine） 工作原理
通用網(wǎng)絡(luò)爬蟲 從互聯(lián)網(wǎng)中搜集網(wǎng)頁(yè)， 采集信息， 這些網(wǎng)頁(yè)信息用于為搜索引擎建立索引從而提供支持， 它決定著整個(gè)引擎系統(tǒng)的內(nèi)容是否豐富， 信息是否及時(shí)， 因此其性能的優(yōu)劣直接影響著搜索引擎的效果。
第一步： 抓取網(wǎng)頁(yè)
搜索引擎網(wǎng)絡(luò)爬蟲的基本工作流程如下：
首先選取一部分的種子 URL， 將這些 URL 放入待抓取 URL 隊(duì)列；
取出待抓取 URL， 解析 DNS 得到主機(jī)的 IP， 并將 URL 對(duì)應(yīng)的網(wǎng)頁(yè)下載下來(lái)， 存儲(chǔ)進(jìn)已下載網(wǎng)頁(yè)庫(kù)中， 并且將這些 URL 放進(jìn)已抓取 URL 隊(duì)列。
分析已抓取 URL 隊(duì)列中的 URL， 分析其中的其他 URL， 并且將 URL 放入待抓取 URL隊(duì)列， 從而進(jìn)入下一個(gè)循環(huán)…
那么， 搜索引擎如何獲取一個(gè)新網(wǎng)站的 URL：
(1) 新網(wǎng)站向搜索引擎主動(dòng)提交網(wǎng)址：（如百度 http://zhanzhang.baidu.com/linksubmit/url）
(2) 在其他網(wǎng)站上設(shè)置新網(wǎng)站外鏈（盡可能處于搜索引擎爬蟲爬取范圍）
(3) 搜索引擎和 DNS 解析服務(wù)商(如 DNSPod 等） 合作， 新網(wǎng)站域名將被迅速抓取。
但是搜索引擎蜘蛛的爬行是被輸入了一定的規(guī)則的， 它需要遵從一些命令或文件的內(nèi)
容， 如標(biāo)注為 nofollow 的鏈接， 或者是 Robots 協(xié)議。
Robots 協(xié)議（也叫爬蟲協(xié)議、 機(jī)器人協(xié)議等） ， 全稱是“網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol） ， 網(wǎng)站通過(guò) Robots 協(xié)議告訴搜索引擎哪些頁(yè)面可以抓取， 哪些頁(yè)面不能抓取， 例如：
淘寶網(wǎng)： https://www.taobao.com/robots.txt
騰訊網(wǎng)： http://www.qq.com/robots.txt
第二步： 數(shù)據(jù)存儲(chǔ)
搜索引擎通過(guò)爬蟲爬取到的網(wǎng)頁(yè)， 將數(shù)據(jù)存入原始頁(yè)面數(shù)據(jù)庫(kù)。 其中的頁(yè)面數(shù)據(jù)與用戶瀏覽器得到的 HTML 是完全一樣的。
搜索引擎蜘蛛在抓取頁(yè)面時(shí)， 也做一定的重復(fù)內(nèi)容檢測(cè)， 一旦遇到訪問(wèn)權(quán)重很低的網(wǎng)站上有大量抄襲、 采集或者復(fù)制的內(nèi)容， 很可能就不再爬行。
第三步： 預(yù)處理
搜索引擎將爬蟲抓取回來(lái)的頁(yè)面， 進(jìn)行各種步驟的預(yù)處理。
提取文字
中文分詞
消除噪音（比如版權(quán)聲明文字、 導(dǎo)航條、 廣告等……）
索引處理
鏈接關(guān)系計(jì)算
特殊文件處理
···
除了 HTML 文件外， 搜索引擎通常還能抓取和索引以文字為基礎(chǔ)的多種文件類型， 如
PDF、 word、 wps、 XLS、 PPT、 TXT 文件等。 我們?cè)谒阉鹘Y(jié)果中也經(jīng)常會(huì)看到這些文件類型。
但搜索引擎還不能處理圖片、 視頻、 Flash 這類非文字內(nèi)容， 也不能執(zhí)行腳本和程序。
第四步： 提供檢索服務(wù)， 網(wǎng)站排名
搜索引擎在對(duì)信息進(jìn)行組織和處理后， 為用戶提供關(guān)鍵字檢索服務(wù)， 將用戶檢索相關(guān)的信息展示給用戶。
同時(shí)會(huì)根據(jù)頁(yè)面的 PageRank 值（鏈接的訪問(wèn)量排名） 來(lái)進(jìn)行網(wǎng)站排名， 這樣 Rank 值高的網(wǎng)站在搜索結(jié)果中會(huì)排名較前， 當(dāng)然也可以直接使用 Money 購(gòu)買搜索引擎網(wǎng)站排名，簡(jiǎn)單粗暴。
（三） 通用性搜索引擎存在一定的局限性：
通用搜索引擎所返回的結(jié)果都是網(wǎng)頁(yè)， 而大多情況下， 網(wǎng)頁(yè)里 90%的內(nèi)容對(duì)用戶來(lái)說(shuō)
都是無(wú)用的。不同領(lǐng)域、 不同背景的用戶往往具有不同的檢索目的和需求， 搜索引擎無(wú)法提供針對(duì)具體某個(gè)用戶的搜索結(jié)果。
萬(wàn)維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展， 圖片、 數(shù)據(jù)庫(kù)、 音頻、 視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)， 通用搜索引擎對(duì)這些文件無(wú)能為力， 不能很好地發(fā)現(xiàn)和獲取。
通用搜索引擎大多提供基于關(guān)鍵字的檢索， 難以支持根據(jù)語(yǔ)義信息提出的查詢， 無(wú)法準(zhǔn)確理解用戶的具體需求。
針對(duì)這些情況， 聚焦爬蟲技術(shù)得以廣泛使用。
（四） 聚焦爬蟲
聚焦爬蟲， 是"面向特定主題需求"的一種網(wǎng)絡(luò)爬蟲程序， 它與通用搜索引擎爬蟲的區(qū)別在于： 聚焦爬蟲在實(shí)施網(wǎng)頁(yè)抓取時(shí)會(huì)對(duì)內(nèi)容進(jìn)行處理篩選， 盡量保證只抓取與需求相關(guān)的網(wǎng)頁(yè)信息。
