速学爬虫
爬虫前奏
爬虫实例：
1.搜索引擎（百度、谷歌、360搜索等）。
2.伯乐在线。
3.惠惠购物助手。
4.数据分析与研究（数据冰山知乎专栏）。
5.抢票软件等。
什么是网络爬虫：
1.通俗理解：爬虫是一个模拟人类请求网站行为的程序，可以自动请求网页、并将数据抓取下来，然后使用一定的规则提取有价值的数据。
2.专业介绍：百度百科。
通用爬虫和聚焦爬虫：
1.通用爬虫：通用爬虫是搜索引擎抓取系统（百度、谷歌、搜狗等）的重要组成部分。主要是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。
2.聚焦爬虫：是面向特定需求的一种网络爬虫程序，他与通用爬虫的区别在于：聚焦爬虫在实施网页抓取的时候会对内容进行筛选和处理，尽量保证只抓取与需求相关的网页信息。
为什么用python写爬虫程序：
1.PHP：PHP大多用于网页开发，对多线程、异步支持不是很好，并发处理能力弱。爬虫是工具性程序，对速度和效率要求比较高。
2.Java：生态圈很完善，是python爬虫最大的竞争对手。但Java语言本身很笨重，代码量很大，重构成本比较高，任何修改会导致代码大量改动，而爬虫经常要修改采集代码。
3.C/C++：运行效率是无敌的，但学习和开发成本高，写爬虫程序可能要很长时间。
4.python：语法优美、海马简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。
准备工具：
1.python3.6开发环境。
2.pycharm 2017 professional版。
3.虚拟环境“virtualenv/virtualenvwrapper”。
http协议和chrome抓包工具：
什么是http和https协议：
HTTP协议：全称是HyperText Transfer Protocal，中文意思是超文本传输协议，是一种发布和接受HTML页面的方法。服务器端口号是80端口。
HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层，服务器端口号是443端口。
在浏览器中发送一个http请求的过程：
1.当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求，HTTP请求主要分为“get”和“post”两种方法。
2.当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个request请求去截获 http://www.baidu.com 的html文件，服务器把request文件对象发送回给浏览器。
3.浏览器分析request中的html，发现其中引用了很多其他文件，比如lmages文件，css文件，js文件。浏览器会自动再次发送request去获取图片，css文件，或者js文件。
4.当所有的文件都下载成功后，网页会根据HTML语法结构完整的显示出来。
url详解：
url是统一资源定位符。
一个url由以下几部分组成：scheme://host:port/path/?query-string=xxx#anchor
scheme：代表的是访问的协议，一般为http或者http以及ftp等。
host：主机名、域名。
port：端口号。访问网站时，浏览器默认使用80端口。
path：查找路径。
query-string：查询字符串。
anchor：锚点，后台一般不用管，前端用来做页面定位。
在浏览器中请求一个url，浏览器会对这个url进行一个编码，除英文字母、数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。
常用的请求方法：
在http协议中，定义了8种请求方法。常用两种：get请求和post请求。
get请求：请求指定的页面信息，并返回实体主体。只从服务器获取数据，并不会对服务器资源产生任何影响。
post请求：向指定资源提交数据进行处理请求，数据包含在请求体中，POST请求可能会导致新的资源的建立或已有资源的修改。
请求头常见参数：
1.user-agent 2.referer 3.cookie
常见响应状态码：
1.200：请求正常，服务器正常的返回数据。
2.301：永久重定向。
3.302：临时重定向。
4.400：请求的url在服务器上找不到。
5.403：服务器拒绝访问，权限不够。
6.500：服务区内部错误。
chrome抓包工具：
chrome浏览器是一个非常亲近开发者的浏览器。可以方便的查看网络请求以及发送的参数。
Urllib库：
最基本的网络请求库，可以模拟浏览器的行为，向指定的服务器发送一个请求，并可以保证服务器返回的数据。
urlopen函数：
在python3的urllib库中，所有和网络请求相关的方法，都被集到urllib.requset模块下面
from urllib import request resp = request.urlopen('http://www.baidu.com') print(resp.read())
实际上，使用浏览器访问百度,右键查看源代码。
1.url：请求的url。
2.data：请求的data，如果设置了这个值，那么将变成post请求。
3.返回值：返回值是一个http:client.HTTPResponse对象，这个对象是一个人类文件句柄对象。
有read(size)，readline、readlines以及getcode等方法。
urlretrieve函数：
这个函数可以方便的将网页上的一个文件保存到本地。以下代码可以非常方便的将百度的首页下载到本地：
from urllib import request request.urlretrieve('http://www.baidu.com','baidu .html')
urlencode函数：
用浏览器发送请求的时候，如果url中包含了中文或者其他特殊字符，那么浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动进行编码，这时候就应该使用urlencode函数来实现。urlencode可以把字典数据转换为url编码的数据：
from urllib import request data = {'name':'爬虫基础','greet':'hello world','age':100} qs = parse.urlencode(data) print(qs)
parse_qs函数：
可以将经过编码后的url参数进行编码：
from urllib import parse qs = "name=%E7%88%AC%E8%99%AB%E5%9F%8A%E7%A1%80&greet=hello+world&age=100" print(parse.parse_qs(qs))
urlparse和urlsplit：
