基于python的网络爬虫设计
【摘要】近年来,随着网络应用的逐渐扩展和深入,如何高效的获取网上数据成为了无数公司和个人的追求，
在大数据时代，谁掌握了更多的数据，谁就可以获得更高的利益,而网络爬虫是其中最为常用的一种从网上
爬取数据的手段。
网络爬虫，即Web Spider，是一个很形象的名字.如果把互联网比喻成一个蜘蛛网，那么Spider就是在
网上爬来爬去的蜘蛛.网络蜘蛛是通过网页的链接地址来寻找网页的.从网站某一个页面(通常是首页）开始，
读取网页的内容,找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下
去，直到把这个网站所有的网页都抓取完为止.如果把整个互联网当成一个网站,那么网络蜘蛛就可以用这个
原理把互联网上所有的网页都抓取下来.
那么，既然网络爬虫有着如此先进快捷的特点,我们该如何实现它呢？在众多面向对象的语言中,首选
python，因为python是一种“解释型的、面向对象的、带有动态语义的”高级程序，可以使人在编程时保持
自己的风格，并且编写的程序清晰易懂，有着很广阔的应用前景。
关键词 python 爬虫 数据
1 前言
1。1本编程设计的目的和意义
随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一
个巨大的挑战。搜索引擎（例如传统的通用搜索引擎AltaVista，Yahoo！和Google等)作为
一个辅助人们检索信息的工具成为用户访问万维网的入口和指南.但是，这些通用性搜索引
擎也存在着一定的局限性,如： （1) 不同领域、不同背景的用户往往具有不同的检索目的和
需求，通用搜索引擎所返回的结果包含大量用户不关心的网页。 （2) 通用搜索引擎的目标
是尽可能大的网络覆盖率，有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾将
进一步加深。 （3) 万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频/视
频多媒体等不同数据大量出现,通用搜索引擎往往对这些信息含量密集且具有一定结构的数
据无能为力，不能很好地发现和获取。 （4） 通用搜索引擎大多提供基于关键字的检索，难
以支持根据语义信息提出的查询. 为了解决上述问题，定向抓取相关网页资源的聚焦爬虫应
运而生。聚焦爬虫是一个自动下载网页的程序，它根据既定的抓取目标，有选择的访问万维
网上的网页与相关的链接，获取所需要的信息。与通用爬虫(generalpurpose web crawler）
不同,聚焦爬虫并不追求大的覆盖，而将目标定为抓取与某一特定主题内容相关的网页，为
面向主题的用户查询准备数据资源.
1。2编程设计目及思路
1。2.1编程设计目的
学习了解并熟练掌握python的语法规则和基本使用，对网络爬虫的基础知识
进行了一定程度的理解，提高对网页源代码的认知水平,学习用正则表达式来完
成匹配查找的工作，了解数据库的用途，学习mongodb数据库的安装和使用，及
配合python的工作。
1。2.2设计思路
（1)以世纪佳缘网为例，思考自己所需要的数据资源，并以此为基础设计自己的爬虫程序。
评论0