大家好，今天来为大家分享谷歌浏览器爬虫使用的一些知识点，和谷歌浏览器插件爬虫的问题解析，大家要是都明白，那么可以忽略，如果不太清楚的话可以看看本篇文章，相信很大概率可以解决您的问题，接下来我们就一起来看看吧！

本文目录

1. 网络爬虫是什么
2. 爬虫数据分析案例-评论
3. Python爬虫是什么

一、网络爬虫是什么

1、网络爬虫又称网络蜘蛛、网络机器人，它是一种按照一定的规则自动浏览、检索网页信息的程序或者脚本。网络爬虫能够自动请求网页，并将所需要的数据抓取下来。通过对抓取的数据进行处理，从而提取出有价值的信息。

2、我们所熟悉的一系列搜索引擎都是大型的网络爬虫，比如百度、搜狗、360浏览器、谷歌搜索等等。每个搜索引擎都拥有自己的爬虫程序，比如360浏览器的爬虫称作360Spider，搜狗的爬虫叫做Sogouspider。

3、百度搜索引擎，其实可以更形象地称之为百度蜘蛛（Baiduspider），它每天会在海量的互联网信息中爬取优质的信息，并进行收录。当用户通过百度检索关键词时，百度首先会对用户输入的关键词进行分析，然后从收录的网页中找出相关的网页，并按照排名规则对网页进行排序，最后将排序后的结果呈现给用户。在这个过程中百度蜘蛛起到了非常想关键的作用。

4、百度的工程师们为“百度蜘蛛”编写了相应的爬虫算法，通过应用这些算法使得“百度蜘蛛”可以实现相应搜索策略，比如筛除重复网页、筛选优质网页等等。应用不同的算法，爬虫的运行效率，以及爬取结果都会有所差异。

5、爬虫可分为三大类：通用网络爬虫、聚焦网络爬虫、增量式网络爬虫。

6、通用网络爬虫：是搜索引擎的重要组成部分，上面已经进行了介绍，这里就不再赘述。通用网络爬虫需要遵守robots协议，网站通过此协议告诉搜索引擎哪些页面可以抓取，哪些页面不允许抓取。

7、 robots协议：是一种“约定俗称”的协议，并不具备法律效力，它体现了互联网人的“契约精神”。行业从业者会自觉遵守该协议，因此它又被称为“君子协议”。

8、聚焦网络爬虫：是面向特定需求的一种网络爬虫程序。它与通用爬虫的区别在于，聚焦爬虫在实施网页抓取的时候会对网页内容进行筛选和处理，尽量保证只抓取与需求相关的网页信息。聚焦网络爬虫极大地节省了硬件和网络资源，由于保存的页面数量少所以更新速度很快，这也很好地满足一些特定人群对特定领域信息的需求。

9、增量式网络爬虫：是指对已下载网页采取增量式更新，它是一种只爬取新产生的或者已经发生变化网页的爬虫程序，能够在一定程度上保证所爬取的页面是最新的页面。

10、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，因此爬虫应运而生，它不仅能够被使用在搜索引擎领域，而且在大数据分析，以及商业领域都得到了大规模的应用。

11、在数据分析领域，网络爬虫通常是搜集海量数据的必备工具。对于数据分析师而言，要进行数据分析，首先要有数据源，而学习爬虫，就可以获取更多的数据源。在采集过程中，数据分析师可以按照自己目的去采集更有价值的数据，而过滤掉那些无效的数据。

12、对于企业而言，及时地获取市场动态、产品信息至关重要。企业可以通过第三方平台购买数据，比如贵阳大数据交易所、数据堂等，当然如果贵公司有一个爬虫工程师的话，就可通过爬虫的方式取得想要的信息。

13、爬虫是一把双刃剑，它给我们带来便利的同时，也给网络安全带来了隐患。有些不法分子利用爬虫在网络上非法搜集网民信息，或者利用爬虫恶意攻击他人网站，从而导致网站瘫痪的严重后果。关于爬虫的如何合法使用，推荐阅读《中华人民共和国网络安全法》。

14、为了限制爬虫带来的危险，大多数网站都有良好的反爬措施，并通过robots.txt协议做了进一步说明，下面是淘宝网robots.txt的内容：

15、从协议内容可以看出，淘宝网对不能被抓取的页面做了规定。因此大家在使用爬虫的时候，要自觉遵守robots协议，不要非法获取他人信息，或者做一些危害他人网站的事情。

16、首先您应该明确，不止Python这一种语言可以做爬虫，诸如PHP、Java、C/C++都可以用来写爬虫程序，但是相比较而言Python做爬虫是最简单的。下面对它们的优劣势做简单对比：

17、 PHP：对多线程、异步支持不是很好，并发处理能力较弱；Java也经常用来写爬虫程序，但是Java语言本身很笨重，代码量很大，因此它对于初学者而言，入门的门槛较高；C/C++运行效率虽然很高，但是学习和开发成本高。写一个小型的爬虫程序就可能花费很长的时间。

18、而Python语言，其语法优美、代码简洁、开发效率高、支持多个爬虫模块，比如urllib、requests、Bs4等。Python的请求模块和解析模块丰富成熟，并且还提供了强大的Scrapy框架，让编写爬虫程序变得更为简单。因此使用Python编写爬虫程序是个非常不错的选择。

19、爬虫程序与其他程序不同，它的的思维逻辑一般都是相似的，所以无需我们在逻辑方面花费大量的时间。下面对Python编写爬虫程序的流程做简单地说明：

20、先由urllib模块的request方法打开URL得到网页HTML对象。

21、使用浏览器打开网页源代码分析网页结构以及元素节点。

22、通过BeautifulSoup或则正则表达式提取数据。

23、当然也不局限于上述一种流程。编写爬虫程序，需要您具备较好的Python编程功底，这样在编写的过程中您才会得心应手。爬虫程序需要尽量伪装成人访问网站的样子，而非机器访问，否则就会被网站的反爬策略限制，甚至直接封杀IP，相关知识会在后续内容介绍。

二、爬虫数据分析案例-评论

前段时间微博上吴某和都某的时间闹得沸沸扬扬，着实让大家吃了不少瓜。Peter从网上获取到了一些用户的评论数据作为数据分析，看看微博用户都是怎么看待这件事情的。至于事情后面怎么发展，等待法律的公平公正与公开，本文仅作为数据呈现和分析使用。

微博评论的数据ajax动态加载的，也就是在地址栏中的URL不变的情况返回不同的数据，但是实际发送请求的URL地址肯定是变化的，在谷歌浏览器中加载了4次，生成了不同的URL地址：

main_url是主评论的url地址，其他的URL地址是明显不同的；url2、url3、url4的差别仅在于max_id的不同。几经周折，终于找到了关键：原来main_url地址下返回的数据中有下页（第二页）max_id的信息：

同样的操作，第二页返回的max_id也是对应到第三页的URL地址中max_id的值。

⚠️总结：通过前一页返回的数据中max_id的值作为下页url地址中max_id的值。

给主页main_url发送请求获取到数据，找到我们需要爬取的字段信息（返回数据转成json文件的样子）：

2、用户评论时间：comment_time

3、用户微博注册时间：register_time

6、评论回复人数：comment_reply

通过pandas库将数据读取进来，我们查看前5条数据：

对时间的处理，使用的是datetime库，开头已经导入了并缩写成dt。爬取到的数据使用的是格林威治标准时间，做如下转化：

将数据中的f变成女，m变成男，更加直观容易理解

用户画像主要从不同的维度来分析用户在评论中的情况，包含：性别、城市、微博年龄、评论点赞数和回复数等

虽然主评论只有1000+，但是从结果中可以看到：吴某某的粉丝还是以女性为主，远高于男性

主要是想知道哪些城市对吴某某的关注度较高。为了方便，我们统一取用户的省份信息：

表示的是从用户注册到评论该条微博的时间间隔

主要是想查看哪些微博评论的点赞数靠前

Peter当时爬取的数据是这条评论点赞数最多：滚！！！

从结果中我们看到，还是这条评论：滚！

从不同年龄用户的点赞数和回复数中观察到：

使用jieba分词来绘制用户评论的词云图：

我们截图前50个高频词云进行绘图

从全部词云和Top50词云图中观察到：

再次郑重声明：本文仅做数据学习和分析展示，事情的后续结果如何，我们相信法律会有一个公平公正公开的结论🍉

三、Python爬虫是什么

为自动提取网页的程序，它为搜索引擎从万维网上下载网页。

网络爬虫为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。

将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。

1、由Python标准库提供了系统管理、网络通信、文本处理、数据库接口、图形系统、XML处理等额外的功能。

2、按照网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。当同一层次中的页面爬行完毕后，爬虫再深入下一层继续爬行。

3、文本处理，包含文本格式化、正则表达式匹配、文本差异计算与合并、Unicode支持，二进制数据处理等功能。

参考资料来源：百度百科-网络爬虫

关于本次谷歌浏览器爬虫使用和谷歌浏览器插件爬虫的问题分享到这里就结束了，如果解决了您的问题，我们非常高兴。