Python爬虫教程-01-爬虫介绍

Spider-01-爬虫介绍

Python 爬虫的知识量不是特别大，但是需要不停和网页打交道，每个网页情况都有所差异，所有对应变能力有些要求

爬虫准备工作

• 参考资料
• 精通Python爬虫框架Scrapy，人民邮电出版社
• -

基础知识

• url, http
• web前端，html，css，js
• ajax
• re，xpath

python 爬虫简介

• 爬虫定义：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫
• 两大特征
  
  • 能按照作者要求下载数据
  • 能自动在网络上流窜
• 三大步骤
  
  • 下载网页
  • 提取正确的信息
  • 根据一定规则自动跳到另外的网页上执行上两步操作
• 爬虫分类
  
  • 通用爬虫：
    不分类，比如百度搜索引擎，我们通过百度输入数据，获取百度爬虫从各种网站爬到的数据
  • 专用爬虫（聚焦爬虫） ：
    就是我们介绍的，关于某一类的数据，比如说，需要爬智联招聘网站，某地区的招聘信息
• Python网络包简介
  
  • Python2.*：urllib, urllib2, urllib3, httplib, httplib2, requests
  • Python3.*：urllib, urllib3, httplib2, requests
  • Python2：urllib, urllib2配合使用，或者requests
  • Python3：urllib，requests

我的爬虫笔记

• Python爬虫教程-01-爬虫介绍
• Python爬虫教程-02-使用urlopen
• Python爬虫教程-03-使用 chardet 检测编码
• Python爬虫教程-04-response简介
• Python爬虫教程-05-python爬虫实现百度翻译
• Python爬虫教程-06-爬虫实现百度翻译(requests)
• Python爬虫教程-07-post介绍(百度翻译)（上）
• Python爬虫教程-08-post介绍(百度翻译)（下）
• Python爬虫教程-09-error 模块
• Python爬虫教程-10-UserAgent和常见浏览器UA值
• Python爬虫教程-11-proxy代理IP，隐藏地址（猫眼电影）
• Python爬虫教程-12-爬虫使用cookie爬取登录后的页面(人人网)（上）
• Python爬虫教程-13-爬虫使用cookie爬取登录后的页面(人人网)（下）
• Python爬虫教程-14-爬虫使用filecookiejar保存cookie文件(人人网)
• Python爬虫教程-15-读取cookie(人人网)和SSL(12306官网)
• Python爬虫教程-16-破解js加密实例（有道在线翻译）
• Python爬虫教程-17-ajax爬取实例（豆瓣电影）
• Python爬虫教程-18-页面解析和数据提取
• Python爬虫教程-19-数据提取-正则表达式(re)
• Python爬虫教程-20-xml简介
• Python爬虫教程-21-xpath
• Python爬虫教程-22-lxml-etree和xpath配合使用
• Python爬虫教程-23-数据提取-BeautifulSoup4（一）
• Python爬虫教程-24-数据提取-BeautifulSoup4（二）
• Python爬虫教程-25-数据提取-BeautifulSoup4（三）
• Python爬虫教程-26-Selenium + PhantomJS
• Python爬虫教程-27-Selenium Chrome版本与chromedriver兼容版本对照表
• Python爬虫教程-28-Selenium 操纵 Chrome
• Python爬虫教程-29-验证码识别-Tesseract-OCR
• Python爬虫教程-30-Scrapy 爬虫框架介绍
• Python爬虫教程-31-创建 Scrapy 爬虫框架项目
• Python爬虫教程-32-Scrapy 爬虫框架项目 Settings.py 介绍
• Python爬虫教程-33-scrapy shell 的使用
• Python爬虫教程-34-分布式爬虫介绍
• Python爬虫教程-35-编程常见问题解决方法