python爬虫(一)

主要内容

什么是爬虫
为什么推荐使用Python写爬虫
Python开发环境搭建和简介
HTTP简介
HTML/XML/Json简介
MySQL/Apache安装和配置
爬虫框架介绍
robots规范与爬虫原则

---

1、什么是爬虫

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。

由于专门用于检索信息的“机器人”程序象蜘蛛一样在网络间爬来爬去，因此，搜索引擎的“机器人”程序就被称为“蜘蛛”程序。

历史

1990年，蒙特利尔大学学生Alan Emtage发明的Archie，用于搜索分散的FTP主机上的资源。

1993年，内华达大学受启发开发了类似工具，但是开始支持网页搜索。 Martin

Koster于1993年10月创建了ALIWEB，它是Archie的HTTP版本。ALIWEB不使用“机器人”程序，而是靠网站主动提交信息来建立自己的链接索引，类似于现在我们熟知的Yahoo。

Yahoo, Google, Baidu, Bing…

---

2、为什么推荐使用Python写爬虫

上手容易！！！
免费开源，使用不受限制。
解释执行，跨平台不受限制。
面向对象
框架和库支持丰富， 有大量的历史积累。

---

3、Python开发环境搭建和简介

Python简介
官网地址：https://www.python.org/

作者：Guido van Rossum

名字来源：Monty Python’s Flying Circus（和蟒蛇无关啊！）

作者为什么发明Python：平衡C和Shell

版本选择：2.7和3.5，更低版本不推荐使用。2.x和3.x的区别暂时不用关心。

Python环境搭建

Windows可去官网下载安装包：2.7.12或3.5.2
Mac
系统自带
通过homebrew和pyenv安装并维护多个Python版本，参考链接。
Linux系统自带，或参考上面链接使用pyenv安装并维护多个Python版本

Python开发环境搭建和简介

（1）使用pip安装第三方包，命令为pip install package（注：Mac下需要打开sudo，参考链接。）
（2）新版本Mac系统可能因为SIP，需要在命令行后增加–user参数
（3）遇到GFW可以使用国内源（推荐豆瓣），命令行为pip install package -i --trusted-host http://pypi.douban.com/simple/

---

4、HTTP简介

HTTP = HyperText Transfer Protocol
URI = Uniform Resource Identifier
URL = Uniform Resource Locator
URI和URL的区别：URI强调的是资源，而URL强调的是资源的位置。

常用请求类型

OPTIONS: 返回服务器针对特定资源所支持的http请求方法。 HEAD: 向服务器索要与get请求相一致的响应，只不过响应体将不会被返回。
GET: 向特定资源发出请求 PUT: 向指定资源位置上传其最新内容
POST: 向指定资源提交数据进行处理请求
DELETE: 请求服务器删除指定URI所标识的资源
PATCH: 用来将局部修改应用于某一资源

HTTP常见状态码

200/OK： 请求成功
201/Created: 请求已被实现，且一个新资源已根据请求被建立，URI跟随Location头信息返回。
202/Accepted: 服务器已接受请求，但尚未处理。
400/Bad Request: 请求无法被服务器理解
401/Unauthorized: 当前请求需要用户验证
403/Forbidden: 服务器已理解请求，但拒绝执行。
404/Not Found

---

5、HTML/XML/Json简介

HTML (Hypertext Markup Language)

(1) 推荐教程：HTML
(2) HTML不是编程语言，而是一种标记语言。即HTML使用标记标签来描述网页。
(3) 标签和元素
(4)DOM文档模型

推荐教程：XML
树结构

推荐教程：Json
语法类似XML，但是更小、更快、更容易解析。对JavaScript特别友好。

---

6、MySQL/SQLite安装配置

MySQL

Windows:
下载免费社区版mysql server。
客户端操作可以使用MySQLWorkbench。

Linux（以debian为例）:
apt-get install mysql-server mysql-client 登陆mysql:
mysql -p hostname -u username -p，然后使用use dbname指定需要操作的数据库
安装phpmyadmin方便在浏览器操作数据库

MySQL常用命令
show databases: 显示当前服务器上的数据库
create database dbname: 创建一个新数据库
use dbname: 使用指定的数据库
show tables: 显示当前数据库的所有表
desc tbname: 显示表结构

SQLite
Windows直接去下载可执行文件即可使用，Linux下apt-get install sqlite3即可完成安装。
相比mysql更加轻便好用。
大数据情况下效率变差，适合单机小程序。

---

7、爬虫框架介绍

爬虫工作流程
（1）将种子URL放入队列
（2）从队列中获取URL，抓取内容。
（3）解析抓取内容，将需要进一步抓取的URL放入工作队列，存储解析后的内容

抓取策略
（1）深度优先
（2）广度优先
（3）PageRank
（4）大站优先策略

如何去重
(1) Hash表
(2) bloom过滤器

---

8、Robots规范与原则

Robots规范

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion
Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。Robots协议的本质是网站和搜索引擎爬虫的沟通方式，用来指导搜索引擎更好地抓取网站内容，而不是作为搜索引擎之间互相限制和不正当竞争的工具。

详情：http://baike.so.com/doc/4854891-5072162.html