Python3.6爬虫入门到精通

Posted 2020-10-31

本教程是崔大大的爬虫实战教程的笔记：网易云课堂

Python3+Pip环境配置

Windows下安装Python: http://www.cnblogs.com/0bug/p/8228378.html

Linux以Ubuntu为例，一般是自带的，只需配置一下默认版本：http://www.cnblogs.com/0bug/p/8598273.html

virtualenv的安装：http://www.cnblogs.com/0bug/p/8598458.html

用到的IDE是PyCharm，Windows下到官网下载就行（Professional版本）：http://www.jetbrains.com/pycharm/download/

Linux下以Ubuntu为例：http://www.cnblogs.com/0bug/p/8598673.html

Pycharm需要花钱，建议花钱买正版。

Mac我就不写了，因为我没有Mac

MongoDB环境配置

Windows下安装和配置：http://www.cnblogs.com/0bug/p/8290330.html

Linux以Ubuntu为例：sudo apt-get install mongodb

Redis环境配置

Windows&Ubuntu：http://www.cnblogs.com/0bug/p/8892711.html

MySQL环境配置

Windows&Ubuntu:http://www.cnblogs.com/0bug/p/8655363.html

爬虫的基本原理

什么是爬虫？

爬虫就是请求网站并提取数据的自动化程序

爬虫的基本流程

1.发起请求

2.解析请求

3.获取相应内容

4.保存数据

什么是Request和Response?

比如我们在浏览器中输入一个网址

浏览器就会发送消息给该网址所在的服务器，这个过程就叫做HTTP Request

服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response

浏览器收到服务器的Response信息后，会对信息进行相应的处理，然后展示。

Request中包含什么？

1.请求方式：

主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。

HTTP协议中GET和POST方法的区别:http://www.cnblogs.com/0bug/p/8892959.html

2.请求URL

3.请求头如User-Agent、Host、Cookies等

HTTP协议中中常见请求头信息：http://www.cnblogs.com/0bug/p/8893038.html#_label1

4.请求体

Responst中包含什么？

1.响应状态

有多种响应状态如200代表成功，301代表跳转，404代表找不到页面，502代表服务器错误

2.响应头

如内容类型，内容长度，服务器消息，设置Cookie等等

3.响应体

主要的部分，包含了请求资源的内容，如网页HTML、图片二进制数据等。

 能抓取怎样的数据？

1.网页文本：如HTML文档，Json格式文本等

2.图片：获取的是二进制文件，另存为图片格式

3.视频：同为二进制文件，保持为视频格式即可

4.其他：只有能请求，都能获取 

解析方式

1.直接处理

2.Json解析

3.正则表达式

4.BeautifulSoup

5.PyQuery

6.Xpath

7.其他

怎样解决JavaScript渲染的问题

1.分析Ajax请求

2.Selenium/WebDriver

3.Splash

4.PyV8、Fhost.py

怎样保存数据

1.文本：纯文本、Json、Xml等

2.关系型数据库：如MySQL、Oracle、SQL Server等具有结构化表结构形式的存储

3.非关系型数据库：如MongoDB、Redis等Key-Value形式存储

4.二进制文件：如图片、视频、音频等等直接保存成特定格式即可

Urllib库基本使用

Ullib的基本使用：http://www.cnblogs.com/0bug/p/8893677.html

Requests库的基本使用

reuqests库的基本用法：http://www.cnblogs.com/0bug/p/8899841.html

正则表达式与re模块

正则表达式与re模块：http://www.cnblogs.com/0bug/p/8272233.html

BeautifulSoup库详解

Beautiful Soup库基础用法：http://www.cnblogs.com/0bug/p/8260834.html

PyQuery详解

PyQuery：http://www.cnblogs.com/0bug/p/8276717.html

Selenium详解

Selenium基础用法：http://www.cnblogs.com/0bug/p/8270552.html

Requests+正则表达式爬取猫眼电影

Requests+正则表达式爬取猫眼电影：http://www.cnblogs.com/0bug/p/8906490.html