Python爬虫基础知识及前期准备

Posted 2020-11-19 hdmi-blog

学习爬虫有一小段时间了，于是决定把自己学爬虫时所学的，写过的代码以及看过的文档记录下来，权当小结。第一次写这些，如果有错误，请多指教。

首先我们需要了解什么是爬虫。

根据百度百科上给出的定义，” 网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。“简单来说，爬虫类似手动下载网页信息，比如小说、歌曲。肯定会有疑问，既然这样，干嘛还去敲代码，直接人工处理不好吗？话是这么说，但如果下载的不是一篇两篇小说，一首两首歌曲呢，需要将整个网站的信息全部爬取下来，这个时候人工操作显得有些力不从心了。

学习简单的爬虫应该做些什么前期准备，我们简单梳理一下：

• 首先我们需要熟悉一门编程语言，在这里我们以Python为例，我们需要简单的了解其语法，掌握列表、字典等数据结构的用法，for循环，文件读取存储等操作，这些将是你写的爬虫在获取信息,处理信息，存储信息需要用到的知识。不做一一介绍，基础语法可参照菜鸟教程Python基础教程

• 熟悉网页的基础知识，不需要很精通，但需要有个了解。这里只是简单介绍，想了解更多可查看我附在介绍后的文档链接

URL：（Universal Resource Locator即统一资源定位符）URL是对能从Internet上得到资源的位置和访问方法的一种简洁的表示。URL给资源的位置提供一种抽象　的识别方法，并用这种方法给资源定位，使得系统得以对资源（指Internet上可以访问的任何对象，包括文件目录、文件、文档、图像等，以及其他任何形式的数据）进行各种操作，如存储、更新、替换和查找其属性。URL的一般形式为<URL的访问形式>：//<主机>:<端口>/<路径>左边的<URL的访问形式>主要有文件传送协议（FTP）、超文本传送协议（HTTP）等方式，常见形式为HTTP，下面将会介绍到。<主机>一项是必须的，<端口>和<路径>有时可省略 。例如：http://baidu.com

---

HTTP：（HyperText Transfer Protocol 即超文本传输协议）HTTP是一个简单的请求——响应协议，通常运行在TCP之上，它指定了客户端可能发送给服务器的消息，以及得到的响应。我们可以简单的了解其发包和收包的概念（GET/POST）详情可见菜鸟教程HTTP教程

---

HTML:(HyperText Markup Lanhguage 即超文本标记语言)HTML是一种制作万维网页面的标准语言，它消除了计算机信息交流的障碍。HTML定义了许多用于排版的”标签“，各种标签嵌入到万维网的页面就构成了HTML文档。我们所要爬取的页面也基本是HTML网页。所以对于HTML中的一些标签需要有所了解，同时也可了解用来控制网页样式布局的CSS,方便以后的解析网页。菜鸟教程HTML教程,菜鸟教程CSS教程

---

•   掌握抓包分析工具

一种方法是通过谷歌或者火狐浏览器自带的开发者工具，F12或者鼠标右键检查，可以快速方便的定位网页元素位置

另一种方法是通过抓包分析工具 Fiddler，我也不是很经常用，一般浏览器F12+F5搞定，关于Fiddler的用法可以百度。

 

• 正则表达式

用来提取网页信息的表达式，可能会觉得有些繁琐，但学会一个通配模式后，就会觉得正则其实挺好用的。关于正则的教程，推荐大家看看这个：正则表达式30分钟入门教程，另外用正则表达式的时候，如果直接通过代码测试正则表达式的可行性，费时间且麻烦，给大家推荐个网站：正则表达式在线测试

 

• 最后就是一些爬虫所需的Python库，大家可以直接在命令行通过pip安装，用PyCharm的可以在Setting中安装。

1.requests 用来请求网页的模块，与之相同作用的还有urllib,不过我更习惯requests requests中文文档

2.BeautifulSoup 用来解析网页的模块，在小型爬虫中具有强大作用，且简单易学。配合requests使用便可轻松爬取并解析网页。BeautifulSoup4.4.0文档

 

看上去这些内容有点多，但这通过几个小项目还是很好上手的。当然，爬虫可不止这些简单的内容，真正有难度的便在于针对各种反爬取措施所做的策略了，而这，也会在后续通过简单实战的方式向大家介绍，无论是文档还是视频，都只是我们了解爬虫知识的前提，真正使我们掌握的，只有实战，通过动手自己编写代码，相信大家能够很快掌握爬虫的基本使用方法。

好了，第一次就说这么多了，希望大家多多指教，一起学习呀。