python爬虫数据预处理步骤

第一步：获取网页链接

1.观察需要爬取的多网页的变化规律，基本上都是只有小部分有所变化，如：有的网页只有网址最后的数字在变化，则这种就可以通过变化数字将多个网页链接获取；

2.把获取得到的多个网页链接存入字典，充当一个临时数据库，在需要用时直接通过函数调用即可获得；

3.需要注意的是我们的爬取并不是随便什么网址都可以爬的，我们需要遵守我们的爬虫协议，很多网站我们都是不能随便爬取的。如：淘宝网、腾讯网等；

4.面对爬虫时代，各个网站基本上都设置了相应的反爬虫机制，当我们遇到拒绝访问错误提示404时，可通过获取User-Agent 来将自己的爬虫程序伪装成由人亲自来完成的信息的获取，而非一个程序进而来实现网页内容的获取。

第二步：数据存储

1.爬虫爬取到的网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的；

2.引擎在抓取页面时，会做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行；

3.数据存储可以有很多方式，我们可以存入本地数据库也可以存入临时移动数据库，还可以存入txt文件或csv文件，总之形式是多种多样的；

第三步：预处理（数据清洗）

1.当我们将数据获取到时，通常有些数据会十分的杂乱，有许多必须要的空格和一些标签等，这时我们要将数据中的不需要的东西给去掉，去提高数据的美观和可利用性；

2.也可利用我们的软件实现可视化模型数据，来直观的看到数据内容；

第四步：数据利用

我们可以把爬取的数据作为一种市场的调研，从而节约人力资源的浪费，还能多方位进行对比实现利益及可以需求的最大化满足。