python urllib dns 缓存_我的第一个Python爬虫实战

一、什么是爬虫

爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的被称为网页追逐者），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。另外一些是不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

二、Python爬虫架构

Python爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。

URL管理器：包括待爬取的URL地址和已爬取地URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。

网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页

下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests（第三方包）

网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、

beautifulsoup（第三方插件，可以使用Python自带的html.parse进行解析，也可以使用lxml进行解析，相当于其他几种来说要强大一些）、lxml（第三方插件，可以解析xml和HTML），html.parser和beautifulsoup以及lxml都是以DOM树的方式进行解析的。

应用程序：就是从网页中提取的有用数据组成的一个应用。

调度器是如何协调工作的：

urllib=URL（网页地址）+lib（library）

URL的一般格式为（带方括号[ ]的为可选项）:

protocol:_协议//hostname[:port]_域名/path_路径/[;parameters][?query]#fragment

URL由三部分组成：

1、协议：http，https，ftp，file，ed2k...

2、存放资源的服务器的域名系统或IP地址（有时候要包含端口号，各种传输协议都有默认的端口号，如http的默认端口为80）

3、资源的具体地址，如目录或文件名等

三、Python爬虫实战

1、 网页蜘蛛

import urllib.request
response=urllib.request.urlopen("http://www.zhihu.com")
html=response.read()
print(html)
html=html.decode("utf-8")
print(html)

2、 placekitten.com

import urllib.request

req = urllib.request.Request("http://placekitten.com/g/200/300")
response = urllib.request.urlopen(req)

cat_img = response.read()

with open('cat_200_300.jpg','wb') as f:
    f.write(cat_img)