Python基础知识——爬虫入门

爬虫，即网络爬虫。打个形象的比方：一只蜘蛛在蜘蛛网上爬，可以以某种方式从网上的某个地方找到自己想要的东西。

那么和网页相联系起来有什么关系呢？

首先我们先简单介绍一下网页的基本概念。所谓网页，也就是我们给浏览器输出一个字符串，浏览器进行解析后，经DNS服务器找到服务器主机后，向服务器发出请求，服务器经过解析之后，向浏览器发送Html、JS、CSS等文件，再由浏览器进行解析，组成了平时我们所见的可视化网页。所以说网页的实质就是指服务器传送过来的Html、JS、CSS等文件。这些文件简要概括起来就是对文字图片的获取，在经由规则化排布，组成网页。比较来说：Html就是网页的骨架、JS就是网页的肌肉、CSS就是网页的衣服，组成了一个完整的"人"。

那么我们输入的字符串也就是我们说的网址到底是什么？即URL，即统一资源定位符。它是互联网上资源位置和访问方式的一种简洁的表示，它是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎么处理它。例："http://baidu.com"，url由三部分组成：

1、协议，也就是服务方式，大部分我们平常使用的网址都是http协议的。

2、存有该资源的主机IP地址。

3、主机资源的具体地址。

理解了url我们对爬虫的理解也就更近了一步。

爬取第一个网页！！！

Python中与抓取网页相关的库有urllib和urllib2。两者有点小区别：

urllib 和urllib2都是接受URL请求的相关模块，但是urllib2可以接受一个Request类的实例来设置URL请求的headers，urllib仅可以接受URL。这意味着，你不可以伪装你的User Agent字符串等。urllib提供urlencode方法用来GET查询字符串的产生，而urllib2没有。这是为何urllib常和urllib2一起使用的原因。目前的大部分http请求都是通过urllib2来访问的。

举例：

#coding=utf-8
import urllib2
url = 'http://www.zhihu.com/topic/19607535/top-answers'
netthings= urllib2.urlopen(url)
print netthings.read()  #使用urllib2模块爬虫抓取了特定网页

输出就不列举了，网页内容太多。

这里使用了urllib2模块的urlopen函数，先拉取了一个网页，存储到netthings对象中，再用netthings对象的read方法将网页内容返回。urlopen（url,data,timeout）,这个函数接受三个参数，第一个参数：url即网址，第二个参数：data，可以是需要传入的登录账户和密码，可以为空，第三个：timeout，设置超时时间，可以为空。

这样我们就简单的抓取了我们的第一个网页啦！