原创力文档- 1、本文档共12页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
2018年网络数据采集技术概述.ppt
“ ” 1 1 1 1 1 1 1 1 1 1 1 1 网络爬虫简介 爬虫与反爬技术 * 目录 * 前言 robots.txt: Robots协议被称为爬虫协议，或机器人协议。是国际互联网界通行的道德规范。 User-agent:用于描述搜索引擎robot的名字; Disallow:禁止robot访问该网站的目录或文件; Allow:允许robot访问该网站的目录或文件; sitemap.xml/txt/html/..: ?Sitemaps协议使网站能够告知搜索引擎网站中可供抓取的网址。 自动生成:更方便地了解一个网站的内容、布局、架构。 主动提交:向百度、Google、雅虎、和微软等提交，被搜索引擎收录。 * 数据采集流程 需求分析：业务类型/方向决定抓取策略和抓取频率。（干什么用） 抓取内容：具体需要什么数据/字段。（怎么用） 数据来源：数据来源于具体网站或其他。 抓取方式：获取数据的方式、网页结构分析、API等。 代码实现：自定义或开源爬虫框架。 数据清洗：根据业务具体情况转换数据格式、类型，进行数据计算等。数据清洗分为入库前点清洗和入库后点清洗。 数据存储：写文件或入库方式，远程数据入库，数据加密等。 爬虫任务分发：分布式爬虫、多线程爬虫。 反爬策略、日志管理、监控报警等。 * 网页分析 数据抓取方式 网页 移动网页 移动客户端 API 网页解析 正则 Xpath Beautiful Soup Json格式解析 网页编码 * 动态页面抓取 JS渲染页面 Web kit Render类 Ajax请求 Iframe Selenium库 重定向 Status_code Html meta 的refresh js * 可视化爬虫 Import.io Portia 八爪鱼 集搜客 造数 BBD * 爬虫框架 Scrapy框架： * 案例1：58同城-简历中心 url：/qzzpshengchankaifa/?key=%E7%AE%80%E5%8E%86%E4%B8%AD%E5%BF%83 * “ ” 1 1 1 1 1 1 1 1 1 1 1 1 1
文档评论（0）