往期內容提要：
- [Python爬蟲] 一、爬蟲原理之HTTP和HTTPS的請求與響應
一、爬蟲的定義、分類和流程
- 爬蟲定義
- 網絡爬蟲（又被稱爲網頁蜘蛛，網絡機器人）就是模擬瀏覽器發送網絡請求，接收請求響應，一種按照一定的規則，自動地抓取互聯網信息的程序。
- 爬蟲就是模擬瀏覽器的行爲，越像越好，越像就越不容易被發現。
- 原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。
- 爬蟲的分類
- 通用爬蟲：通常指搜索引擎的爬蟲。主要目的是將互聯網上的網頁下載到本地，形成一個互聯網內容的鏡像備份。
- 聚焦爬蟲：針對特定網站的爬蟲，我們現在學習的網絡爬蟲，就是聚焦爬蟲
- 爬蟲的流程
爬蟲流程步驟如下：- 向起始url發送請求，並獲取響應
- 對響應進行提取
- 如果提取url，則繼續發送請求獲取響應
- 如果提取數據，則將數據進行保存
(1) 通用爬蟲/搜索引擎（Search Engine）工作原理
在正式學習聚焦爬蟲前，我們先來了解通用爬蟲工作原理，進而釐清我們學習聚焦爬蟲之原因。
通用網絡爬蟲 從互聯網中搜集網頁，採集信息，這些網頁信息用於爲搜索引擎建立索引從而提供支持，它決定着整個引擎系統的內容是否豐富，信息是否即時，因此其性能的優劣直接影響着搜索引擎的效果。
第一步：抓取網頁
搜索引擎網絡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隊列；
取出待抓取URL，解析DNS得到主機的IP，並將URL對應的網頁下載下來，存儲進已下載網頁庫中，並且將這些URL放進已抓取URL隊列。
分析已抓取URL隊列中的URL，分析其中的其他URL，並且將URL放入待抓取URL隊列，從而進入下一個循環....
Robots協議（也叫爬蟲協議、機器人協議等），全稱是“網絡爬蟲排除標準”（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，例如：
第二步：數據存儲
搜索引擎通過爬蟲爬取到的網頁，將數據存入原始頁面數據庫。其中的頁面數據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面時，也做一定的重複內容檢測，一旦遇到訪問權重很低的網站上有大量抄襲、採集或者複製的內容，很可能就不再爬行。
第三步：預處理
搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預處理。
- 提取文字
- 中文分詞
- 消除噪音（比如版權聲明文字、導航條、廣告等……）
- 索引處理
- 鏈接關係計算
- 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爲基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經常會看到這些文件類型。
但搜索引擎還不能處理圖片、視頻、Flash 這類非文字內容，也不能執行腳本和程序。
第四步：提供檢索服務，網站排名
搜索引擎在對信息進行組織和處理後，爲用戶提供關鍵字檢索服務，將用戶檢索相關的信息展示給用戶。
同時會根據頁面的PageRank值（鏈接的訪問量排名）來進行網站排名，這樣Rank值高的網站在搜索結果中會排名較前。
(2) 通用性搜索引擎存在着一定的侷限性：
通用搜索引擎所返回的結果都是網頁，而大多情況下，網頁裏90%的內容對用戶來說都是無用的。
不同領域、不同背景的用戶往往具有不同的檢索目的和需求，搜索引擎無法提供針對具體某個用戶的搜索結果。
萬維網數據形式的豐富和網絡技術的不斷髮展，圖片、數據庫、音頻、視頻多媒體等不同數據大量出現，通用搜索引擎對這些文件無能爲力，不能很好地發現和獲取。
通用搜索引擎大多提供基於關鍵字的檢索，難以支持根據語義信息提出的查詢，無法準確理解用戶的具體需求。
因此我們需要學習聚集爬蟲。聚焦爬蟲在實施網頁抓取時會對內容進行處理篩選，能儘量保證只抓取與需求相關的網頁信息。
二、編碼格式
（1） 爲什麼要掌握python3字符串的相關知識
- str ：unicode的呈現形式（網頁中的UTF-8就是Unicode的實現方式之一）
- bytes（二進制） ：互聯網上數據的都是以二進制的方式傳輸的——所以就需要將str轉換成bytes進行傳輸
bytes對象只負責以二進制字節序列的形式記錄所需記錄的對象，至於該對象到底表示什麼（比如到底是什麼字符）則由相應的編碼格式解碼所決定。其中 ASCII、GB2312、GB18030、Unicode這類字符集是各國家文字、標點符號、圖形符號、數字等的集合，str是這些字符集的呈現形式。
（2）python2、python3 與 bytes、str
Python2 中
>>> type(b'xxxxx')
<type 'str'>
>>> type('xxxxx')
<type 'str'>
Python3 中
>>> type(b'xxxxx')
<class 'bytes'>
>>> type('xxxxx')
<class 'str'>
Python 2 裏不區分bytes和str，bytes是Python 3中特有的。
實際應用中在互聯網上是通過二進制進行傳輸，所以就需要將str轉換成bytes進行傳輸，在Python 2中由於不區分str和bytes所以可以直接通過encode()和decode()方法進行編碼解碼。
而在Python 3中把兩者給分開了，所以就需要將str轉換成bytes進行傳輸，而在接收中通過decode()解碼成我們需要的編碼進行處理數據。這樣不管對方是什麼編碼而本地是我們使用的編碼這樣就不會亂碼。
str 使用encode方法轉化爲 bytes
bytes通過decode轉化爲str
（3）bytearray
bytearray和bytes不一樣的地方在於，bytearray是可變的。
In [26]: str1
Out[26]: '人生苦短，我用Python!'
In [28]: b1=bytearray(str1.encode())
In [29]: b1
Out[29]: bytearray(b'\xe4\xba\xba\xe7\x94\x9f\xe8\x8b\xa6\xe7\x9f\xad\xef\xbc\x8c\xe6\x88\x91\xe7\x94\xa8Python!')
In [30]: b1.decode()
Out[30]: '人生苦短，我用Python!'
In [31]: b1[:6]=bytearray('生命'.encode())
In [32]: b1
Out[32]: bytearray(b'\xe7\x94\x9f\xe5\x91\xbd\xe8\x8b\xa6\xe7\x9f\xad\xef\xbc\x8c\xe6\x88\x91\xe7\x94\xa8Python!')
In [33]: b1.decode()
Out[33]: '生命苦短，我用Python!'
後期內容提要：
- [Python爬蟲] 三、數據抓取之Requests HTTP 庫
- [Python爬蟲] 四、數據抓取之HTTP/HTTPS抓包工具Fiddler
- [Python爬蟲] 五、數據提取之正則表達式re模塊
- [Python爬蟲] 六、數據提取之XPath與lxml類庫
- [Python爬蟲] 七、結構化數據提取之JSON與JsonPATH
- [Python爬蟲] 八、動態HTML處理之Selenium與PhantomJS
- [Python爬蟲] 九、機器視覺與機器圖像識別之Tesseract
- [Python爬蟲] 十、Scrapy 框架
如果您有任何疑問或者好的建議，期待你的留言與評論！