首先爬蟲是什么？

網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動的抓取萬維網(wǎng)信息的程序或者腳本。

根據(jù)我的經(jīng)驗，要學(xué)習(xí)Python爬蟲，我們要學(xué)習(xí)的共有以下幾點：

[li]

Python基礎(chǔ)知識[/li][li]

Python中urllib和urllib2庫的用法[/li][li]

Python正則表達式[/li][li]

Python爬蟲框架Scrapy[/li][li]

Python爬蟲更高級的功能[/li]

1. Python基礎(chǔ)學(xué)習(xí)

首先，我們要用Python寫爬蟲，肯定要了解Python的基礎(chǔ)吧，萬丈高樓平地起，不能忘啦那地基。

2. Python urllib和urllib2 庫的用法

urllib和urllib2庫是學(xué)習(xí)Python爬蟲最基本的庫，利用這個庫我們可以得到網(wǎng)頁的內(nèi)容，并對內(nèi)容用正則表達式提取分析，得到我們想要的結(jié)果。

3. Python 正則表達式

Python正則表達式是一種用來匹配字符串的強有力的武器。它的設(shè)計思想是用一種描述性的語言來給字符串定義一個規(guī)則，凡是符合規(guī)則的字符串，我們就認(rèn)為它“匹配”了，否則，該字符串就是不合法的。

4. 爬蟲框架Scrapy

如果你是一個Python高手，基本的爬蟲知識都已經(jīng)掌握了，那么就尋覓一下Python框架吧，我選擇的框架是Scrapy框架。這個框架有什么強大的功能呢？下面是它的官方介紹：

HTML, XML源數(shù)據(jù) 選擇及提取 的內(nèi)置支持

提供了一系列在spider之間共享的可復(fù)用的過濾器(即 Item Loaders)，對智能處理爬取數(shù)據(jù)提供了內(nèi)置支持

通過 feed導(dǎo)出 提供了多格式(JSON、CSV、XML)，多存儲后端(FTP、S3、本地文件系統(tǒng))的內(nèi)置支持

提供了media pipeline，可以 自動下載 爬取到的數(shù)據(jù)中的圖片(或者其他資源)。

高擴展性。您可以通過使用 signals ，設(shè)計好的API(中間件, extensions, pipelines)來定制實現(xiàn)您的功能。

內(nèi)置的中間件及擴展為下列功能提供了支持:

[blockquote]cookies and session 處理

HTTP 壓縮

HTTP 認(rèn)證

HTTP 緩存

user-agent模擬

robots.txt

爬取深度限制

針對非英語語系中不標(biāo)準(zhǔn)或者錯誤的編碼聲明, 提供了自動檢測以及健壯的編碼支持。[/blockquote]

[li]

支持根據(jù)模板生成爬蟲。在加速爬蟲創(chuàng)建的同時，保持在大型項目中的代碼更為一致。詳細(xì)內(nèi)容請參閱 genspider 命令。[/li][li]

針對多爬蟲下性能評估、失敗檢測，提供了可擴展的 狀態(tài)收集工具 。[/li][li]

提供 交互式shell終端 , 為您測試XPath表達式，編寫和調(diào)試爬蟲提供了極大的方便[/li][li]

提供 System service, 簡化在生產(chǎn)環(huán)境的部署及運行[/li][li]

內(nèi)置 Web service, 使您可以監(jiān)視及控制您的機器[/li][li]

內(nèi)置 Telnet終端 ，通過在Scrapy進程中鉤入Python終端，使您可以查看并且調(diào)試爬蟲[/li][li]

Logging 為您在爬取過程中捕捉錯誤提供了方便[/li][li]

支持 Sitemaps 爬取[/li][li]

具有緩存的DNS解析器[/li]

Python爬蟲入門（2）：爬蟲基礎(chǔ)了解

1. 什么是爬蟲

爬蟲，即網(wǎng)絡(luò)爬蟲，大家可以理解為在網(wǎng)絡(luò)上爬行的一直蜘蛛，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在這張網(wǎng)上爬來爬去的蜘蛛咯，如果它遇到資源，那么它就會抓取下來。想抓取什么？這個由你來控制它咯。

比如它在抓取一個網(wǎng)頁，在這個網(wǎng)中他發(fā)現(xiàn)了一條道路，其實就是指向網(wǎng)頁的超鏈接，那么它就可以爬到另一張網(wǎng)上來獲取數(shù)據(jù)。這樣，整個連在一起的大網(wǎng)對這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。

2. 瀏覽網(wǎng)頁的過程

在用戶瀏覽網(wǎng)頁的過程中，我們可能會看到許多好看的圖片，比如 http://image.baidu.com/ ，我們會看到幾張的圖片以及百度搜索框，這個過程其實就是用戶輸入網(wǎng)址之后，經(jīng)過DNS服務(wù)器，找到服務(wù)器主機，向服務(wù)器發(fā)出一個請求，服務(wù)器經(jīng)過解析之后，發(fā)送給用戶的瀏覽器 HTML、JS、CSS 等文件，瀏覽器解析出來，用戶便可以看到形形色色的圖片了。

因此，用戶看到的網(wǎng)頁實質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲爬來的便是這些內(nèi)容，通過分析和過濾這些 HTML 代碼，實現(xiàn)對圖片、文字等資源的獲取。

3. URL的含義

URL，即統(tǒng)一資源定位符，也就是我們說的網(wǎng)址，統(tǒng)一資源定位符是對可以從互聯(lián)網(wǎng)上得到的資源的位置和訪問方法的一種簡潔的表示，是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址?；ヂ?lián)網(wǎng)上的每個文件都有一個唯一的URL，它包含的信息指出文件的位置以及瀏覽器應(yīng)該怎么處理它。

URL的格式由三部分組成：

①第一部分是協(xié)議(或稱為服務(wù)方式)。

②第二部分是存有該資源的主機IP地址(有時也包括端口號)。

③第三部分是主機資源的具體地址，如目錄和文件名等。

爬蟲爬取數(shù)據(jù)時必須要有一個目標(biāo)的URL才可以獲取數(shù)據(jù)，因此，它是爬蟲獲取數(shù)據(jù)的基本依據(jù)，準(zhǔn)確理解它的含義對爬蟲學(xué)習(xí)有很大幫助。

4. 環(huán)境的配置

學(xué)習(xí)Python，當(dāng)然少不了環(huán)境的配置，最初我用的是Notepad++，不過發(fā)現(xiàn)它的提示功能實在是太弱了，于是，在Windows下我用了 PyCharm，在Linux下我用了Eclipse for Python，另外還有幾款比較優(yōu)秀的IDE，大家可以參考這篇文章 學(xué)習(xí)Python推薦的IDE 。好的開發(fā)工具是前進的推進器，希望大家可以找到適合自己的ID