excel2016爬虫(爬虫与excel)

1. 爬虫与excel

看情况，提取数据的话爬虫比较好，整理数据的话，Excel比较好

2. 爬虫与数据分析

1、在站内寻找API入口；

2、用搜索引擎搜索“某网站API”；

3、抓包，有的网站虽然用到了ajax，但是通过抓包还是能够获取XHR里的json数据的（可用抓包工具抓包，也可以通过浏览器按F12抓包：F12-Network-F5刷新）。二、不开放API的网站1、如果网站是静态页面，那么可以用requests库发送请求，再通过HTML解析库（lxml、parsel等）来解析响应的text；解析库强烈推荐parsel，不仅语法和css选择器类似，而且速度也挺快，Scrapy用的就是它。2、如果网站是动态页面，可以先用selenium来渲染JS，再用HTML解析库来解析driver的page_source。

3. 爬虫与人工智能的关系

看你爬什么咯？如果是网页，那就是页面代码；如果是制定内容，那爬取的时候就给定匹配的关键字，返回你指定的数据（字串，list，json都可以）

4. 爬虫与搜索引擎的关系

什么是网络爬虫？

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统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

爬虫有什么用？

做为通用搜索引擎网页收集器。（google,baidu）

做垂直搜索引擎.

科学研究：在线人类行为，在线社群演化，人类动力学研究，计量社会学，复杂网络，数据挖掘，等领域的实证研究都需要大量数据，网络爬虫是收集相关数据的利器。

偷窥，hacking，发垃圾邮件……

爬虫是搜索引擎的第一步也是最容易的一步

网页搜集

• 建立索引

• 查询排序

用什么语言写爬虫？

C，C++。高效率，快速，适合通用搜索引擎做全网爬取。缺点，开发慢，写起来又臭又长，例如：天网搜索源代码。

脚本语言：Perl, Python, Java, Ruby。简单，易学，良好的文本处理能方便网页内容的细致提取，但效率往往不高，适合对少量网站的聚焦爬取

C#？（貌似信息管理的人比较喜欢的语言）

什么最终选择Python？

跨平台，对Linux和windows都有不错的支持。

科学计算，数值拟合：Numpy，Scipy

可视化：2d：Matplotlib(做图很漂亮), 3d: Mayavi2

复杂网络：Networkx

统计：与R语言接口：Rpy

交互式终端

一个简单的Python爬虫

import urllib

import urllib.request

'''

小编准备的python爬虫学习资料，加群：821460695 即可免费获取！

'''

def loadPage(url,filename):

"""

作用：根据url发送请求，获取html数据;

:param url:

:return:

"""

request=urllib.request.Request(url)

html1= urllib.request.urlopen(request).read()

return html1.decode('utf-8')

def writePage(html,filename):

"""

作用将html写入本地

:param html: 服务器相应的文件内容

:return:

"""

with open(filename,'w') as f:

f.write(html)

print('-'*30)

def tiebaSpider(url,beginPage,endPage):

"""

作用贴吧爬虫调度器，负责处理每一个页面url;

:param url:

:param beginPage:

:param endPage:

:return:

"""

for page in range(beginPage,endPage+1):

pn=(page - 1)*50

fullurl=url+"&pn="+str(pn)

print(fullurl)

filename='第'+str(page)+'页.html'

html= loadPage(url,filename)

writePage(html,filename)

if __name__=="__main__":

kw=input('请输入你要需要爬取的贴吧名:')

beginPage=int(input('请输入起始页'))

endPage=int(input('请输入结束页'))

url='https://tieba.baidu.com/f?'

kw1={'kw':kw}

key = urllib.parse.urlencode(kw1)

fullurl=url+key

tiebaSpider(fullurl,beginPage,endPage)

5. 爬虫与搜索有何不同

网络爬虫是一种程序,主要用于搜索引擎,它将一个网站的所有内容与链接进行阅读,并建立相关的全文索引到数据库中,然后跳到另一个网站.样子好像一只大蜘蛛.

当人们在网络上(如google)搜索关键字时,其实就是比对数据库中的内容,找出与用户相符合的.网络爬虫程序的质量决定了搜索引擎的能力,如google的搜索引擎明显要比好,就是因为它的网络爬虫程序高效,编程结构好.

6. 爬虫与反爬虫

排名前20的网络爬虫工具，Mark!

网络爬虫在许多领域都有广泛的应用，它的目标是从网站获取新的数据，并加以存储以方便访问。 网络爬虫工具越来越为人们所熟知，因为它能简化并自动化整个爬虫过程，使每个人都可以轻松访问网络数据资源。

1. Octoparse

Octoparse是一个免费且功能强大的网站爬虫工具，用于从网站上提取需要的各种类型的数据。它有两种学习模式 - 向导模式和高级模式，所以非程序员也可以使用。可以下载几乎所有的网站内容，并保存为EXCEL，TXT，HTML或数据库等结构化格式。具有Scheduled Cloud Extraction功能，可以获取网站的最新信息。提供IP代理服务器，所以不用担心被侵略性网站检测到。

总之，Octoparse应该能够满足用户最基本或高端的抓取需求，而无需任何编码技能。

2. Cyotek WebCopy

WebCopy是一款免费的网站爬虫工具，允许将部分或完整网站内容本地复制到硬盘以供离线阅读。它会在将网站内容下载到硬盘之前扫描指定的网站，并自动重新映射网站中图像和其他网页资源的链接，以匹配其本地路径。还有其他功能，例如下载包含在副本中的URL，但不能对其进行爬虫。还可以配置域名，用户代理字符串，默认文档等。

但是，WebCopy不包含虚拟DOM或JavaScript解析。

3. HTTrack

作为网站爬虫免费软件，HTTrack提供的功能非常适合从互联网下载整个网站到你的PC。 它提供了适用于Windows，Linux，Sun Solaris和其他Unix系统的版本。 它可以镜像一个或多个站点（共享链接）。在“设置选项”下下载网页时决定要同时打开的连接数。 可以从整个目录中获取照片，文件，HTML代码，更新当前镜像的网站并恢复中断的下载。

另外，HTTTrack提供代理支持以最大限度地提高速度，并提供可选的身份验证。

4. Getleft

Getleft是一款免费且易于使用的网站抓取工具。 启动Getleft后输入URL并选择应下载的文件，然后开始下载网站此外，它提供多语言支持，目前Getleft支持14种语言。但是，它只提供有限的Ftp支持，它可以下载文件但不递归。

总体而言，Getleft应该满足用户的基本爬虫需求而不需要更复杂的技能。

5. Scraper

Scraper是一款Chrome扩展工具，数据提取功能有限，但对于在线研究和导出数据到Google Spreadsheets非常有用。适用于初学者和专家，可以轻松地将数据复制到剪贴板或使用OAuth存储到电子表格。不提供全包式抓取服务，但对于新手也算友好。

6. OutWit Hub

OutWit Hub是一款Firefox插件，具有数十种数据提取功能，可简化网页搜索。浏览页面后会以适合的格式存储提取的信息。还能创建自动代理来提取数据并根据设置对其进行格式化。

它是最简单的网络爬虫工具之一，可以自由使用，提供方便的提取网页数据而无需编写代码。

7. ParseHub

Parsehub是一款出色的爬虫工具，支持使用AJAX技术，JavaScript，cookies等获取网页数据。它的机器学习技术可以读取、分析网页文档然后转换为相关数据。Parsehub的桌面应用程序支持Windows，Mac OS X和Linux等系统，或者你可以使用浏览器内置的Web应用程序。

8.Visual Scraper

VisualScraper是另一个伟大的免费和非编码爬虫工具，只需简单的点击界面就可从网络上收集数据。 可以从多个网页获取实时数据，并将提取的数据导出为CSV，XML，JSON或SQL文件。 除了SaaS之外，VisualScraper还提供网络抓取服务，如数据传输服务和创建软件提取服务。

Visual Scraper使用户能够在特定时间运行他们的项目，还可以用它来获取新闻。

9. Scrapinghub

Scrapinghub是一款基于云计算的数据提取工具，可帮助数千名开发人员获取有价值的数据。 它的开源可视化抓取工具允许用户在没有任何编程知识的情况下抓取网站。

Scrapinghub使用Crawlera，这是一种智能代理旋转器，支持绕过bot机制，轻松地抓取大量受bot保护的网站。 它使用户能够通过简单的HTTP API从多个IP和位置进行爬网，而无需进行代理管理。

10. Dexi.io

作为基于浏览器的爬虫工具，http://Dexi.io允许用户从任何网站抓取数据，并提供三种类型的机器人来创建抓取任务 - 提取器，爬行器和管道。 该免费软件提供匿名Web代理服务器，所提取的数据会在存档之前的两周内储存在http://Dexi.io的服务器上，或者直接将提取的数据导出为JSON或CSV文件。它提供付费服务以满足实时获取数据的需求。

11. Webhose.io

http://Webhose.io使用户能够将来自世界各地的线上来源的实时数据转换为各种干净的格式。你可以使用覆盖各种来源的多个过滤器来抓取数据，并进一步提取不同语言的关键字。

抓取的数据可以保存为XML，JSON和RSS格式，还能从其存档访问历史数据。 此外，http://webhose.io支持最多80种语言及其爬行数据结果。用户可以轻松索引和搜索http://Webhose.io抓取的结构化数据。

12.Import. io

用户只需从特定网页导入数据并将数据导出到CSV即可形成自己的数据集。

你可以在几分钟内轻松抓取数千个网页，而无需编写任何代码，并根据您的要求构建1000多个API。 公共API提供了强大而灵活的功能来以编程方式控制http://Import.io并获得对数据的自动访问，http://Import.io通过将Web数据集成到你自己的应用程序或网站中，只需点击几下就可以轻松实现爬虫。

为了更好地满足用户的抓取需求，它还为Windows，Mac OS X和Linux提供免费的应用程序，以构建数据提取器和抓取工具，下载数据并与在线帐户同步。另外，用户可以每周/每天/每小时安排爬虫任务。

13.80legs

80legs是一款功能强大的网页抓取工具，可以根据客户要求进行配置。80legs提供高性能的Web爬虫，可以快速工作并在几秒钟内获取所需的数据。

14. Spinn3r

Spinn3r允许你从博客、新闻和社交媒体网站以及RSS和ATOM中获取所有数据。Spinn3r发布了防火墙API，管理95％的索引工作。它提供了先进的垃圾邮件防护功能，可消除垃圾邮件和不适当的语言，从而提高数据安全性。

Spinn3r索引类似于Google的内容，并将提取的数据保存在JSON文件中。

15. Content Grabber

Content Graber是一款针对企业的爬虫软件。它可以让你创建一个独立的网页爬虫代理。

它更适合具有高级编程技能的人，因为它为有需要的人提供了许多强大的脚本编辑和调试界面。允许用户使用C＃或http://VB.NET调试或编写脚本来编程控制爬网过程。 例如，Content Grabber可以与Visual Studio 2013集成，以便根据用户的特定需求提供功能最强大的脚本编辑、调试和单元测试。

16. Helium Scraper

Helium Scraper是一款可视化网络数据爬行软件，当元素之间的关联很小时效果会更好。它非编码、非配置。用户可以根据各种爬行需求访问在线模板。

它基本上可以满足用户在初级阶段的爬行需求。

17. UiPath

UiPath是一个免费自动化爬虫软件。它可以自动将Web和桌面数据从第三方应用程序中抓取出来。Uipath能够跨多个网页提取表格数据。

Uipath提供了用于进一步爬取的内置工具。 处理复杂的UI时，此方法非常有效。Screen Scraping Tool 可以处理单独的文本元素、文本组和文本块。

18. Scrape. it

Scrape.it是一个基于云的Web数据提取工具。它专为具有高级编程技能的人设计，因为它提供了公共和私有包，以便与全球数百万开发人员一起发现、使用、更新和共享代码。其强大的集成可以帮助用户根据自己的需求构建自定义爬虫。

19. WebHarvy

WebHarvy是为非程序员设计的。它可以自动从网站上爬取文本、图像、URL和电子邮件，并以各种格式保存爬取的内容。它还提供了内置的调度程序和代理支持，可以匿名爬取并防止被Web服务器阻止，可以选择通过代理服务器或VPN访问目标网站。

WebHarvy Web Scraper的当前版本允许用户将抓取的数据导出为XML，CSV，JSON或TSV文件，也可以导出到SQL数据库。

20. Connotate

Connotate是一款自动化Web爬虫软件，专为企业级Web爬虫设计，需要企业级解决方案。业务用户可以在几分钟内轻松创建提取代理而无需任何编程。

它能够自动提取超过95％的网站，包括基于JavaScript的动态网站技术，如Ajax。

另外，Connotate还提供整合网页和数据库内容的功能，包括来自SQL数据库和MongoDB数据库提取的内容。

7. 爬虫与python的区别

python全栈一般指利用python在linux/windows环境上自动化运维和web前后端以及一些项目开发的人，而且学的东西多，一般来说做全栈的人很少能有人很多方面精通，只是量多而不精，以后一般是项目经理之类，爬虫的话就一门技术研究透，你说觉得难也不难，难的话又头疼，但毕竟专研一条路，更多的是看个人兴趣，有兴趣的话其实对你来说都不难，但是没心趣的话啥都难，毕竟兴趣是最大的老师。

8. 爬虫与python

Python不是爬虫。Python只是一个常见的高级程序语言，你可以使用它来开发你想要的程序。在网上很多人说可以用python来开发爬虫，但是这不是python的主要功能。

你可以用python来开发图形界面，或者没有图形界面的软件，它既可以在linux上面运行，也可以在WINDOWS上面运行。