1.什么是爬蟲

爬蟲，即網(wǎng)絡(luò)爬蟲，大家可以理解為在網(wǎng)絡(luò)上爬行的一只蜘蛛，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在這張網(wǎng)上爬來(lái)爬去的蜘蛛咯，如果它遇到資源，那么它就會(huì)抓取下來(lái)。想抓取什么？這個(gè)由你來(lái)控制它咯。
比如它在抓取一個(gè)網(wǎng)頁(yè)，在這個(gè)網(wǎng)中他發(fā)現(xiàn)了一條道路，其實(shí)就是指向網(wǎng)頁(yè)的超鏈接，那么它就可以爬到另一張網(wǎng)上來(lái)獲取數(shù)據(jù)。這樣，整個(gè)連在一起的大網(wǎng)對(duì)這之蜘蛛來(lái)說(shuō)觸手可及，分分鐘爬下來(lái)不是事兒。

2.瀏覽網(wǎng)頁(yè)的過(guò)程

在用戶瀏覽網(wǎng)頁(yè)的過(guò)程中，我們可能會(huì)看到許多好看的圖片，比如 http://novel.tanzhouvip.com/ ，我們會(huì)看到幾張的圖片以及百度搜索框，這個(gè)過(guò)程其實(shí)就是用戶輸入網(wǎng)址之后，經(jīng)過(guò)DNS服務(wù)器，找到服務(wù)器主機(jī)，向服務(wù)器發(fā)出一個(gè)請(qǐng)求，服務(wù)器經(jīng)過(guò)解析之后，發(fā)送給用戶的瀏覽器 HTML、JS、CSS 等文件，瀏覽器解析出來(lái)，用戶便可以看到形形色色的圖片了。
因此，用戶看到的網(wǎng)頁(yè)實(shí)質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲爬來(lái)的便是這些內(nèi)容，通過(guò)分析和過(guò)濾這些 HTML 代碼，實(shí)現(xiàn)對(duì)圖片、文字等資源的獲取。

3.URL的含義

URL，即統(tǒng)一資源定位符，也就是我們說(shuō)的網(wǎng)址，統(tǒng)一資源定位符是對(duì)可以從互聯(lián)網(wǎng)上得到的資源的位置和訪問(wèn)方法的一種簡(jiǎn)潔的表示，是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址?；ヂ?lián)網(wǎng)上的每個(gè)文件都有一個(gè)唯一的URL，它包含的信息指出文件的位置以及瀏覽器應(yīng)該怎么處理它。
URL的格式由三部分組成：
①第一部分是協(xié)議(或稱為服務(wù)方式)。
http:// https:// ftp:// file://
②第二部分是存有該資源的主機(jī)IP地址(有時(shí)也包括端口號(hào))。
127.0.0.1 www.tanzhouedu.com
baidu.tk
頂級(jí)域名,一級(jí)域名,根域名:除了后綴以外只有一個(gè)點(diǎn)號(hào)
www.baidu.com 二級(jí)域名
com baidu.com cn baidu.cn shanfeng.club
com.cn org.cn
baidu.com.cn
頂級(jí)域名baidu.com baidu.com.cn
二級(jí)域名www.baidu.com mp3.baidu.com
三級(jí)域名a.b.baidu.com

③第三部分是主機(jī)資源的具體地址，如目錄和文件名等。

爬蟲爬取數(shù)據(jù)時(shí)必須要有一個(gè)目標(biāo)的URL才可以獲取數(shù)據(jù)，因此，它是爬蟲獲取數(shù)據(jù)的基本依據(jù)，準(zhǔn)確理解它的含義對(duì)爬蟲學(xué)習(xí)有很大幫助。

4. 環(huán)境的配置

學(xué)習(xí)Python，當(dāng)然少不了環(huán)境的配置，該課程使用的Python版本為Python2.7.9，開發(fā)工具為pycharm

5.爬蟲的重要思想

1，理論上來(lái)講只要是網(wǎng)頁(yè)上面能夠看到的數(shù)據(jù)都是可以爬取的（因?yàn)樗锌吹降木W(wǎng)頁(yè)上的數(shù)據(jù)都是由服務(wù)器發(fā)送到我們電腦上面的，只是有的數(shù)據(jù)加密過(guò)，很難解密）
2，在網(wǎng)頁(yè)上無(wú)法看到或者無(wú)法獲取的數(shù)據(jù)，爬蟲同樣不可能拿到，比如一些付費(fèi)資料
3，分析頁(yè)面數(shù)據(jù)的原則是從簡(jiǎn)到繁，從易到難
1）直接通過(guò)網(wǎng)頁(yè)源代碼獲取
2）分析是否為ajax異步加載
3）數(shù)據(jù)是否被加密 js