学习爬虫需要的简单知识

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

作为初学者慢慢开始学习爬虫，下面是在网上找的一些简单的知识，感觉写的比较好，整理了一下，作为笔记存入吧，还是要感谢一下。

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。

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地址和已爬取的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)，这里我比较喜欢使用requests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.parser进行解析，也可以使用lxml进行解析，相对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。

三、 需要的基础知识

python基本语法与数据结构；文件/数据库相关知识；函数/面向对象编程；异常处理；并发处理，这里我觉得只要会C语言的一些基础，最简单的爬虫也是可以实现的。

相关概念：http协议；get/post; cookie/useragent/proxy….（get方法行进抓取；post方法进行登录）

模块：urllib/requests/scrapy
re /bs4/xpath/css

四、快速构建爬虫

http详解：
使用get/post 方法，web浏览器/抓包工具 进行http协议的分析，页面信息定位；
urllib模块详解：
get方法行进抓取；post方法进行登录
正则表达式与BS4模块提取页面信息：
反扒与处理方式：
代理使用：
高并发代理爬虫实现：
Requests模块与文件上传：

http:超文本传输协议，客户端和服务器之间数据传输协议（基于TCP）
服务器默认端口：80
浏览器首先进行DNS域名的一个解析，得到一个IP,连接服务器形成一个通路，就可以数据传输，请求得到一个HTML