python教程---爬虫入门教程一

此次教程使用的python版本为2.7！！！

在刚上大学之时，总是在网上看到什么爬虫，因为当时还在学习c++，没有时机学习python，更没有去学习爬虫了，而趁着这次工程实训学习了基本的python的使用，于是有提起了学习爬虫的兴致，也写下了这个系列的博客，以记录自己的积累

下面进入正题：

 

爬虫是什么？

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，自动的抓取万维网信息的程序或者脚本。

 

在学习爬虫时需要用到那些知识呢？

 

• Python基础知识
• Python中urllib和urllib2库的用法
• Python正则表达式
• Python爬虫框架Scrapy
• Python爬虫更高级的功能

1.Python基础知识学习

这个是在网上学习时经常用到的资源：

a)廖雪峰Python教程

b)Python官方文档

2.关于urllib和urllib2库的使用

网上有教程，之后的博客也会有我自己的学习介绍，不过最佳的学习应该就是到官方文档中学习了。

3.正则表达式

由于我也还是初学，也只是了解一点，现在还不能给出很好的学习经验，不过多用用搜索引擎，应该是能够 学的很快的

4.爬虫框架Scrapy

在爬虫的基本知识已经完全熟练之后，就可以尝试去使用框架完成更好的东西。我在学习过程中学习的是Scrapy框架，官方文档的介绍是这样的：

TML, XML源数据 选择及提取 的内置支持 提供了一系列在spider之间共享的可复用的过滤器(即 Item Loaders)，对智能处理爬取数据提供了内置支持。 通过 feed导出 提供了多格式(JSON、CSV、XML)，多存储后端(FTP、S3、本地文件系统)的内置支持 提供了media pipeline，可以 自动下载 爬取到的数据中的图片(或者其他资源)。 高扩展性。您可以通过使用 signals ，设计好的API(中间件, extensions, pipelines)来定制实现您的功能。 内置的中间件及扩展为下列功能提供了支持: cookies and session 处理 HTTP 压缩 HTTP 认证 HTTP 缓存 user-agent模拟 robots.txt 爬取深度限制 针对非英语语系中不标准或者错误的编码声明, 提供了自动检测以及健壮的编码支持。 支持根据模板生成爬虫。在加速爬虫创建的同时，保持在大型项目中的代码更为一致。详细内容请参阅 genspider 命令。 针对多爬虫下性能评估、失败检测，提供了可扩展的 状态收集工具 。 提供 交互式shell终端 , 为您测试XPath表达式，编写和调试爬虫提供了极大的方便 提供 System service, 简化在生产环境的部署及运行 内置 Web service, 使您可以监视及控制您的机器 内置 Telnet终端 ，通过在Scrapy进程中钩入Python终端，使您可以查看并且调试爬虫 Logging 为您在爬取过程中捕捉错误提供了方便 支持 Sitemaps 爬取 具有缓存的DNS解析器

Scrapy官方文档

参考博客：Python爬虫入门一之综述

 

转载于:https://www.cnblogs.com/Attenton/p/5653188.html