python爬虫容易学吗
silencement 人气:0随着大数据时代的到来，数据将如同煤电气油一样，成为我们最重要的能源之一，然而这种能源是可以源源不断产生、可再生的。而Python爬虫作为获取数据的关键一环，在大数据时代有着极为重要的作用。于是许多同学就前来咨询：Python爬虫好学吗?
什么是爬虫?
网络爬虫，又被称为网页蜘蛛，网络机器人，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。
数据从何而来？
要想学Python首先请问：我们所爬的数据，是从哪里来的呢?
企业产生的用户数据：百度指数、阿里指数、TBI腾讯浏览指数、新浪微博指数;
数据平台购买数据：数据堂、国云数据市场、贵阳大数据交易所;
政府/机构公开的数据：中华人民共和国国家统计局数据、世界银行公开数据、联合国数据、纳斯达克;
数据管理咨询公司：麦肯锡、埃森哲、艾瑞咨询;
爬取网络数据：如果需要的数据市场上没有，或者不愿意购买，那么可以选择招/做一名爬虫工程师，自己动手丰衣足食。
怎么抓取页面数据?
网页三大特征：
网页都有自己唯一的URL（统一资源定位符）来进行定位；
网页都使用HTML （超文本标记语言）来描述页面信息；
网页都使用HTTP/HTTPS（超文本传输协议）协议来传输HTML数据；
爬虫的设计思路：
首先确定需要爬取的网页URL地址。
通过HTTP/HTTP协议来获取对应的HTML页面。
提取HTML页面里有用的数据：
a. 如果是需要的数据，就保存起来。
b. 如果是页面里的其他URL，那就继续执行第二步。
结语：Python爬虫的学习实际上在Python学习过程中是一个基础入门级的部分，学起来没啥难的，但它确实是职业能力中不可或缺的技能之一。、
内容扩展：
一个简单的爬虫实例：
import urllib,urllib2
import re
def geturllist():
# 不访问网站，而是实例一个对象，为了模拟浏览器访问服务器
req = urllib2.Request("http://www.budejie.com/video/")
# 添加申请访问的header，让对方服务器误以为是浏览器申请访问（参数是通过浏览器复制过来的）
req.add_header('User-Agent',' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36')
# 打开我刚才创建的实例对象
res =urllib2.urlopen(req)
html = res.read()
print html # 访问到了资源代码
# 定义一个正则化表达式为了获取我要的视频网址
reg = r'data-mp4="(.*?)">'
# 将网页源码中的视频网址找出来
urllist = re.findall(reg,html)
# print urllist
# 有20个视频网址，用for循环一个一个下载出来
n = 1
for url in urllist:
# url 视频网址，'%s.mp4'下载后的名字，url.split('/')[-1] 将字符串按照‘/'分开
urllib.urlretrieve(url,'%s.mp4' %url.split('/')[-1]) # 下载视频
n = n+1
geturllist()
加载全部内容