python爬虫学习笔记一：网络爬虫入门

参考书目 《python网络爬虫从入门到实践》唐松

第一章 网络爬虫入门

1.1 robots协议

举例：查看京东的robots协议
京东robots协议地址

User-agent: * （代表所有用户必须遵守下面的规定）
Disallow: /（/代表根目录，不可获取）

1.2 python爬虫的流程

（1）获取网页

获取网页的基础技术：requests、urllib和selenium
获取网页的进阶技术：多进程多线程抓取、登录抓取、突破IP封禁和使用服务器抓取

（2）解析网页

解析网页的基础技术：re正则表达式、Beautifulsoup和lxml
解析网页的进阶技术：解决中文乱码

（3）存储数据

存储数据的基础技术：存入txt文件和存入csv文件
存储数据的进阶技术：存入MySQL数据库和MongoDB数据库