Python可以抓取數(shù)據(jù)，用Python抓取數(shù)據(jù)的腳本，我們通常稱(chēng)之為爬蟲(chóng)。

　　網(wǎng)絡(luò)爬蟲(chóng)(英語(yǔ)：web crawler)，也叫網(wǎng)上蜘蛛(spider)，是一種用來(lái)自動(dòng)瀏覽萬(wàn)維網(wǎng)的網(wǎng)絡(luò)機(jī)器人。其目的一般為編纂網(wǎng)絡(luò)索引。

　　這里提到的編纂網(wǎng)絡(luò)索引，就是搜索引擎干的事情。我們對(duì)搜索引擎并不陌生，Google、百度等搜索引擎可能每天都在幫我們快速獲得信息。搜索引擎的工作過(guò)程是怎樣的呢?

　　首先，就是有網(wǎng)絡(luò)爬蟲(chóng)不斷抓取各個(gè)網(wǎng)站的網(wǎng)頁(yè)，存放到搜索引擎的數(shù)據(jù)庫(kù);

　　接著，索引程序讀取數(shù)據(jù)庫(kù)的網(wǎng)頁(yè)進(jìn)行清理，建立倒排索引;

　　最后，搜索程序接收用戶的查詢關(guān)鍵詞，去索引里面找到相關(guān)內(nèi)容，并通過(guò)一定的排序算法(Pagerank等)把最相關(guān)最好的結(jié)果排在最前面呈現(xiàn)給用戶。

　　看上去簡(jiǎn)簡(jiǎn)單單的三個(gè)部分，卻構(gòu)成了強(qiáng)大復(fù)雜的搜索引擎系統(tǒng)。而網(wǎng)絡(luò)爬蟲(chóng)是其中最基礎(chǔ)也很重要的一部分，它決定著搜索引擎數(shù)據(jù)的完整性和豐富性。我們也看到網(wǎng)絡(luò)爬蟲(chóng)的主要作用是獲取數(shù)據(jù)。

　　由此簡(jiǎn)單地說(shuō)，網(wǎng)絡(luò)爬蟲(chóng)就是獲取互聯(lián)網(wǎng)公開(kāi)數(shù)據(jù)的自動(dòng)化工具。

　　這里要強(qiáng)調(diào)一下，網(wǎng)絡(luò)爬蟲(chóng)爬取的是互聯(lián)網(wǎng)上的公開(kāi)數(shù)據(jù)，而不是通過(guò)特殊技術(shù)非法入侵到網(wǎng)站服務(wù)器獲取的非公開(kāi)數(shù)據(jù)。

　　那么有人可能要問(wèn)，什么是“公開(kāi)數(shù)據(jù)”呢?簡(jiǎn)而言之，就是網(wǎng)站上公開(kāi)讓用戶瀏覽、獲取的數(shù)據(jù)。

　　雖然數(shù)據(jù)是公開(kāi)的，但是當(dāng)某人或機(jī)構(gòu)(如，搜索引擎)大量收集這些數(shù)據(jù)并因此獲利時(shí)，也會(huì)讓數(shù)據(jù)生產(chǎn)方——網(wǎng)站很不爽，由此而產(chǎn)生法律糾紛。比如，早些年Google因此而惹上官司。

　　網(wǎng)站們看著搜索引擎因?yàn)樗阉饕�擎抓取自己的�?nèi)容而獲利不爽，但也因?yàn)樗阉饕�擎帶�?lái)的流量而高興不已，于是就出現(xiàn)了網(wǎng)站主動(dòng)進(jìn)行搜索引擎優(yōu)化(SEO, Search Engine Optimization)，也就是告訴搜索引擎，我這里的內(nèi)容好，快來(lái)抓取吧!

　　搜索引擎和網(wǎng)站的博弈，催生了一個(gè)君子協(xié)議： robots.txt。網(wǎng)站在自己的網(wǎng)站上放上這個(gè)文件，告訴爬蟲(chóng)哪些內(nèi)容可以抓，哪些內(nèi)容不可以抓;搜索引擎讀取網(wǎng)站的robots.txt來(lái)知道自己的抓取范圍，同時(shí)也在訪問(wèn)網(wǎng)站時(shí)通過(guò)User-Agent來(lái)向網(wǎng)站表明自己的身份(這種表明也是君子協(xié)議，技術(shù)上很容易假扮他人)，比如，Google的爬蟲(chóng)叫做Googlebot，百度的爬蟲(chóng)叫做Baiduspider。這樣，二者和平共處，互惠互利。.

　　二、大數(shù)據(jù)時(shí)代的網(wǎng)絡(luò)爬蟲(chóng)

　　時(shí)代在發(fā)展，數(shù)據(jù)變得越來(lái)越重要，“大數(shù)據(jù)”已經(jīng)成為各行各業(yè)討論的話題，人們對(duì)數(shù)據(jù)的渴望也變成貪婪，數(shù)據(jù)也就成了“石油”，爬蟲(chóng)也就成了“鉆井機(jī)”。

　　為了獲取石油，人們使用鉆井機(jī);為了獲取數(shù)據(jù)，人們使用爬蟲(chóng)。為了獲得數(shù)據(jù)，人們把互聯(lián)網(wǎng)鉆的是“千瘡百孔”。哈哈，這里有些夸張。但人們對(duì)數(shù)據(jù)的獲取，已經(jīng)打破的君子協(xié)定，和網(wǎng)站們玩起了貓捉老鼠的游戲，展開(kāi)了道高一尺魔高一丈的較量。

　　為什么說(shuō)是較量呢?因?yàn)榇罅颗老x(chóng)的行為會(huì)給網(wǎng)站帶來(lái)網(wǎng)絡(luò)帶寬、服務(wù)器計(jì)算力等方面很大的壓力，卻幾乎不帶來(lái)任何利益。為了降低這種毫無(wú)利益的壓力和避免自己的數(shù)據(jù)被他人集中收集，網(wǎng)站肯定要通過(guò)技術(shù)手段來(lái)限制爬蟲(chóng);另一方面，爬蟲(chóng)為了獲取石油般的數(shù)據(jù)，就想方設(shè)法來(lái)突破這種限制。