python爬虫入门（一）

一、爬虫的基本知识：

1. 什么是爬虫

• 爬虫的英文翻译为spider或者crawder,意为蜘蛛或者爬行者，从字面意思我们可以体会到：爬虫就是把自己当做蜘蛛或者爬行者，沿着既定路线，爬到指定节点，猎取食物获取目标。在这里我们的蜘蛛网即互联网，我们爬取的方法即为路径，我们所要获取的数据即为食物或目标。

2. 爬虫的核心

• 爬取网页
• 解析数据
• 难点：与反爬虫博弈（反爬虫： 资源的所有者，想要保护资源，避免被第三方爬虫程序批量的把资源下载下去。想办法区分爬虫程序和正常的用户。）

3. 爬虫的语言

• php:虽然是世界上最好的语言，但是天生不是干爬虫的命，PHP对多线程、异步支持不足，并发不足。爬虫是工具性程序，对速度和效率要求较高。
• java:生态圈完善，是Python最大对手。但是Java本身很笨重，代码量大。重构成本比较高，任何修改都会导致大量代码的变动。最要命的是爬虫需要经常修改部分代码。
• CC++:运行效率和性能几乎最强，但是学习成本非常高，代码成型较慢，能用C/C++写爬虫，说明能力很强，但是不是最正确的选择
• Python：语法优美、代码简介、开发效率高、三方模块多，调用其他接口也方便。有强大的爬虫Scrapy，以及成熟高效的scrapy-redis分布式策略。

4. 爬虫分类

• 通用爬虫
  也就是百度、Google、360、搜狐、firefox等搜索引擎。特点是爬取网站所有内容、但不能根据客户需求给出特定内容。在这里，各家浏览器根据其pagerank分进行网站搜索的排名，同时还有竞价排名。
• 聚焦爬虫
  就是现在我们这些爬虫程序员所进行的工作，就是根据客户的需求，爬取指定网站的特定内容。

二、如何学习爬虫

1. 首先要理解什么是http/https协议

• http协议：菜鸟教程：http协议详解
• https协议：菜鸟教程：https协议详解

2. python基础知识

• urllib.request
• urllib.parse
• 正则表达式等等基础知识。

3. 开发工具

• pacharm:下载安装请参考菜鸟教程：pycharm下载安装教程
• sublime Text3:下载安装请参考菜鸟教程：sublime下载安装

4. 抓包工具

• chrome浏览器的开发者模式，在这里可以检查网页的各种元素。
• fiddler：原本是为测试来测试网站的，后来成了爬虫工程师最喜爱的工具。这是一款开源软件，可以直接去官网下载安装https://www.telerik.com/downl...
• postman：可以根据请求头信息生成简单的网页爬取代码，界面相对于fiddler也要美观
• motimproxy

三、代码实现简单的爬虫实例

• python爬虫有多简单，下面我一行代码爬取百度首页，如同在浏览器输入网址一样简单

  import urllib.request
  urllib.request.urlretrieve('http://www.baidu.com/', 'baidu.html')
  

• 上面的代码只能简单抓取网页，一旦遇到需要请求头的反爬虫时就不能发挥作用了，所以一般常用的爬虫代码如下：

    import urllib.request
    url = 'http://www.baidu.com/'
    
    request = urllib.request.Request(url)
    
    response = urllib.request.urlopen(request)
    
    with open('baidu.html', 'wb') as f:
        f.write(response.read())

• 请求头反反爬虫：

  import urllib.request
  #指定url
  url = 'https://www.qiushibaike.com/'
  #定义请求头对象
  headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'
  
  }
  #获取网页信息
  request = urllib.request.Request(url, headers=headers)
  
  response = urllib.request.urlopen(request)
  
  with open('xiushi.html','wb') as f:
      f.write(response.read())

今天先写到这儿了，我争取做到每日分享，与大家一起学习，一起进步，为了美好的明天，艰苦奋斗。
                                                     ————你与别人的差距在加班的时间。