一、認識爬蟲
1.1、什么是爬蟲？
爬蟲：一段自動抓取互聯(lián)網信息的程序，從互聯(lián)網上抓取對于我們有價值的信息。
1.2、Python爬蟲架構
調度器：相當于一臺電腦的CPU，主要負責調度URL管理器、下載器、解析器之間的協(xié)調工作。
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復抓取URL和循環(huán)抓取URL，實現(xiàn)URL管理器主要用三種方式，通過內存、數據庫、緩存數據庫來實現(xiàn)。
網頁下載器：通過傳入一個URL地址來下載網頁，將網頁轉換成一個字符串，網頁下載器有urllib2（Python官方基礎模塊）包括需要登錄、代理、和cookie，requests(第三方包)
網頁解析器：將一個網頁字符串進行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據DOM樹的解析方式來解析。網頁解析器有正則表達式（直觀，將網頁轉成字符串通過模糊匹配的方式來提取有價值的信息，當文檔比較復雜的時候，該方法提取數據的時候就會非常的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可以使用Python自帶的html.parser進行解析，也可以使用lxml進行解析，相對于其他幾種來說要強大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。
應用程序：就是從網頁中提取的有用數據組成的一個應用。

一、爬蟲準備
2.1.1、爬蟲類型
小爬：各種庫來爬
中爬：框架
大爬：搜索引擎
2.1.2、目的
解決數據來源的問題
做行業(yè)分析
完成自動化操作
做搜索引擎
2.1.3、目標類型
新聞/博客/微博
圖片，新聞，評論
電影視頻
視頻，評論
音樂
音頻，評論
三、開始爬蟲
本章為爬蟲入門，所以我們只需要安裝幾個Python庫即可，如下：
requests | pip install requests
bs4 | pip install bs4
lxml | pip install lxml
發(fā)送請求
我們每天訪問百度，其實就是一次請求，這個requests作用其實就是使用代碼模擬我們人類給網站發(fā)送了一次請求。 首先我們需要導入requests庫 如下：

import requests # 導入requests庫
導入之后我們就可以使用requests庫中的方法了，例如我們需要獲取我csdn某一篇文章。

r = requests.get('http://www.itdecent.cn')
現(xiàn)在，我們有一個名字為：r的Response響應對象，也就是我們訪問網站，網站肯定會給我們數據。一些參數如下：

r.status_code # 查看訪問狀態(tài)碼 200為ok 是成功的
200

然后獲取網頁源碼

r.text # 就是整個網頁的html代碼
有了html源碼一般使用正則匹配數據，但是太麻煩，我們選擇一個更簡單的可以解析html的python庫
就是

from bs4 import BeautifulSoup
來個案例 查找所有關于title標簽

!/usr/bin/env python

-- coding:utf-8 --

from bs4 import BeautifulSoup
html = '網頁源碼'
soup = BeautifulSoup(html, 'lxml')
title = soup.find_all('title')
print(title)

[<title>The Dormouse's story</title>]
其中有個lxml 這個是lxml HTML 解析器 上面已經安裝到了
說幾個BeautifulSoup比較重要的函數

!/usr/bin/env python

-- coding:utf-8 --

from bs4 import BeautifulSoup
html = '網頁源碼'
soup = BeautifulSoup(html, 'lxml')
soup.find_all('a') # 獲取整個網頁所有a標簽
soup.find_all('p') # 獲取整個網頁所有p標簽
soup.find('p') # 獲取網頁第一個p標簽
soup.select('#stro p') # 這個是按照css選擇器獲取元素的 和css幾乎相同
「Python爬蟲」最細致的講解Python爬蟲之Python爬蟲入門（一）先到這里

作者：全民知識庫
鏈接：http://www.itdecent.cn/p/ee32be51b2f1
來源：簡書