- 1、本文档共36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
第1章- 网络爬虫框架Webmagic
学习目标:
1 谈谈网络爬虫
1.1 什么是网络爬虫
在大数据时代,信息的采集是一项重要的工作,而互联网中的数据是海量的,如果单纯
靠人力进行信息采集,不仅低效繁琐,搜集的成本也会提高。如何自动高效地获取互联网
中我们感兴趣的信息并为我们所用是一个重要的问题,而爬虫技术就是为了解决这些问题
而生的。
网络爬虫 (Web crawler)也叫做网络机器人,可以代替人们自动地在互联网中进行数
据信息的采集与整理。它是一种按照一定的规则,自动地抓取万维网信息的程序或者脚
本,可以自动采集所有其能够访问到的页面内容,以获取或更新这些网站的内容和检索方
式。
从功能上来讲,爬虫一般分为数据采集,处理,储存三个部分。爬虫从一个或若干初始
网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新
的URL放入队列,直到满足系统的一定停止条件。
1.2 网络爬虫可以做什么
我们初步认识了网络爬虫,网络爬虫具体可以做什么呢?
可以实现搜索引擎
大数据时代,可以让我们获取更多的数据源。
快速填充测试和运营数据
为人工智能提供训练数据集
1.3 网络爬虫常用的技术 (J ava )
北京市昌平区建材城西路金燕龙办公楼一层 电话:400-618-9090
1.3 网络爬虫常用的技术 (J ava )
1.3.1 底层实现 HttpClient + J soup
HttpClient 是 A pache J akarta Common 下的子项目,用来提供高效的、最新的、功能
丰富的支持 HTT P 协议的客户端编程工具包,并且它支持 HTT P 协议最新的版本和建议。
HttpClient 已经应用在很多的项目中,比如 A pache J akarta 上很著名的另外两个开源项目
Cactus 和 HT MLUnit 都使用了 HttpClient 。更多信息请关注/
j soup 是一款J ava 的HT ML解析器,可直接解析某个URL地址、HT ML文本内容。它提供
了一套非常省力的A PI,可通过DOM,CSS 以及类似于j Query 的操作方法来取出和操作数
据。
1.3.2 开源框架 Webmagic
webmagic是一个开源的J ava爬虫框架,目标是简化爬虫的开发流程,让开发者专注于
逻辑功能的开发。webmagic的核心非常简单,但是覆盖爬虫的整个流程,也是很好的学习
爬虫开发的材料。
webmagic的主要特色:
完全模块化的设计,强大的可扩展性。
核心简单但是涵盖爬虫的全部流程,灵活而强大,也是学习爬虫入门的好材料。
提供丰富的抽取页面A PI。
无配置,但是可通过POJ O+注解形式实现一个爬虫。
支持多线程。
支持分布式。
支持爬取j s动态渲染的页面。
无框架依赖,可以灵活的嵌入到项目中去。
2 爬虫框架Webmagic
北京市昌平区建材城西路金燕龙办公楼一层
文档评论(0)