精通Python网络爬虫:核心技术、框架与项目实战.3.8 小结-阿里云开发者社区

开发者社区> 华章出版社> 正文

精通Python网络爬虫:核心技术、框架与项目实战.3.8 小结

简介:

3.8 小结


1)聚焦网络爬虫,由于其需要有目的地进行爬取,所以对于通用网络爬虫来说,必须要增加目标的定义和过滤机制,具体来说,此时,其执行原理和过程需要比通用网络爬虫多出3步,即目标的定义、无关链接的过滤、下一步要爬取的URL地址的选取。

2)常见的网页更新策略主要有3种:用户体验策略、历史数据策略、聚类分析策略。

3)聚类分析可以依据商品之间的共性进行相应的处理,将共性较多的商品聚为一类。

4)在爬虫对网页爬取的过程中,爬虫必然需要访问对应的网页,此时,正规的爬虫一般会告诉对应网页的网站站长其爬虫身份。网站的管理员则可以通过爬虫告知的身份信息对爬虫的身份进行识别,我们称这个过程为爬虫的身份识别过程。

5)开发网络爬虫的语言有很多,常见的语言有Python、Java、PHP、Node.JS、C++、Go语言等。

6)metaseeker是一款比较实用的网站数据采集程序,使用该采集程序,可以让大家比较快速、形象地了解爬虫的工作过程。

 

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:

华章出版社

官方博客
官网链接