華為官方科普Python爬蟲

　　7月8日消息 日前有報(bào)道稱，華為中國在今天早些時(shí)候發(fā)布了一篇題為《小白看過來，讓Python爬蟲成為你的好幫手》的文章，并在文章中詳細(xì)介紹了Python爬蟲的工作原理！感興趣的朋友，還不趕緊和小編一起來了解一下。

　　以下為《小白看過來，讓Python爬蟲成為你的好幫手》全文：

　　隨著信息化社會(huì)的到來，人們對(duì)網(wǎng)絡(luò)爬蟲這個(gè)詞已經(jīng)不再陌生。但什么是爬蟲，如何利用爬蟲為自己服務(wù)，這些在ICT技術(shù)小白聽起來又有些高入云端。不用愁，下面一文帶你走近爬蟲世界，讓即使身為ICT技術(shù)小白的你，也能秒懂使用Python爬蟲高效抓取圖片。

　　什么是專用爬蟲？

　　網(wǎng)絡(luò)爬蟲是一種從互聯(lián)網(wǎng)抓取數(shù)據(jù)信息的自動(dòng)化程序。如果我們把互聯(lián)網(wǎng)比作一張大的蜘蛛網(wǎng)，數(shù)據(jù)便是存放于蜘蛛網(wǎng)的各個(gè)節(jié)點(diǎn)，而爬蟲就是一只小蜘蛛（程序），沿著網(wǎng)絡(luò)抓取自己的獵物（數(shù)據(jù)）。

　　爬蟲可以在抓取過程中進(jìn)行各種異常處理、錯(cuò)誤重試等操作，確保爬取持續(xù)高效地運(yùn)行。它分為通用爬蟲和專用爬蟲。通用爬蟲是捜索引擎抓取系統(tǒng)的重要組成部分，主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份；專用爬蟲主要為某一類特定的人群提供服務(wù)，爬取的目標(biāo)網(wǎng)頁定位在與主題相關(guān)的頁面中，節(jié)省大量的服務(wù)器資源和帶寬資源。比如要獲取某一垂直領(lǐng)域的數(shù)據(jù)或有明確的檢索需求，此時(shí)就需要過濾掉一些無用的信息。

　　爬蟲工作原理

　　爬蟲可以根據(jù)我們提供的信息從網(wǎng)頁上獲取大量的圖片，它的工作原理是什么呢？

　　爬蟲首先要做的工作是獲取網(wǎng)頁的源代碼，源代碼里包含了網(wǎng)頁的部分有用信息；之后爬蟲構(gòu)造一個(gè)請(qǐng)求并發(fā)送給服務(wù)器，服務(wù)器接收到響應(yīng)并將其解析出來。實(shí)際上，獲取網(wǎng)頁——分析網(wǎng)頁源代碼——提取信息，便是爬蟲工作的三部曲。如何提取信息？最通用的方法是采用正則表達(dá)式。網(wǎng)頁結(jié)構(gòu)有一定的規(guī)則，還有一些根據(jù)網(wǎng)頁節(jié)點(diǎn)屬性、CSS選擇器或XPath來提取網(wǎng)頁信息的庫，如Requests、pyquery、lxml等，使用這些庫，便可以高效快速地從中提取網(wǎng)頁信息，如節(jié)點(diǎn)的屬性、文本值等，并能簡單保存為TXT文本或JSON文本，這些信息可保存到數(shù)據(jù)庫，如MySQL和MongoDB等，也可保存至遠(yuǎn)程服務(wù)器，如借助SFTP進(jìn)行操作等。提取信息是爬蟲非常重要的作用，它可以使雜亂的數(shù)據(jù)變得條理清晰，以便我們后續(xù)處理和分析數(shù)據(jù)。