基于Chrome的Easy Scraper插件抓取网页

背景 

     爬虫程序，又称为网络爬虫或爬虫（spider），是一种自动化程序，主要用于向网站或网络发起请求，获取资源后分析并提取有用数据。从技术层面来看，爬虫程序通过模拟浏览器请求站点的行为，把站点返回的HTML代码、JSON数据、二进制数据（如图片、视频）爬取到本地，进而提取并存储自己需要的数据。

     爬虫程序的工作原理主要包括以下几个步骤：

1. 网页请求：爬虫首先需要确定要爬取的目标网址，并选择合适的请求方法（如GET或POST）。爬虫还可以设置请求头部信息，模拟浏览器的请求，以避免被网站的反爬虫机制拦截。一旦发送了请求，爬虫就会等待服务器的响应，获取网页的内容。
2. 数据解析：爬虫获取到网页内容后，需要对这些内容进行解析。网页通常是使用HTML、XML或JSON等标记语言编写的，爬虫需要根据网页的结构和规则，提取出需要的数据。爬虫还可以使用正则表达式来匹配和提取特定的数据。在解析网页的过程中，爬虫还可以进行数据清洗和处理，以获取更加干净和规范的数据。
3. 数据存储：爬虫将解析后的数据进行存储，可以存放在数据库或文件中，以便后续使用和分析。

      爬虫程序的应用非常广泛，例如：

1. 获取网页源代码，便于进行进一步的分析和处理。
2. 对数据进行筛选和提取，获取有用的信息，如商品价格、新闻内容等。
3. 保存数据，将爬取到的数据存储起来，供后续使用或分析。
4. 进行数据分析和调研，通过对爬取到的数据进行统计和分析，可以了解市场趋势、用户行为等信息。

     需要注意的是，爬虫程序的使用需要遵守相关法律法规和网站的robots协议，不得进行恶意爬取或侵犯他人权益的行为。同时，对于大型网站或需要频繁爬取的场景，还需要考虑如何避免对网站造成过大的负担，以及如何处理反爬虫机制等问题。

实践

       1. 抓取列表

        我们今天实践一个基于Chrome的Easy Scraper爬虫插件，先抓取列表

下载的JSON如下，CSV类似

2. 抓取详情页

    先把收集的URL列表，存储为csv

    上传

   下一步有一个预览可视化抓取区域

   第三阶段就可以开始抓取了

抓取结果40个URL， 1分:25秒

   包含中文的csv文件，需要手动转换 UTF-8 BOM格式，EXCEL打开效果。

总结

        总体操作比较方便，相比写程序抓取省不时间。抓取速度较慢，但刚才符合网站防止爬取的特性。更多参考

如有想了解更多软件设计与架构, 系统IT,企业信息化, 团队管理 资讯，请关注我的微信订阅号：

作者：Petter Liu
出处：http://www.cnblogs.com/wintersun/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。 该文章也同时发布在我的独立博客中-Petter Liu Blog。