豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

前言

Python非常适合用来开发网页爬虫，理由如下：

1、抓取网页本身的接口

相比与其他静态编程语言，如java，c#，c++，python抓取网页文档的接口更简洁；相比其他动态脚本语言，如perl，shell，python的urllib2包提供了较为完整的访问网页文档的API。（当然ruby也是很好的选择）

当然对于刚刚接触Python编程的同学来说，学习起来是有点困难，但是不要担心，小编准备了一份Python基础的学习资料，你们加小编Python学习群：943752371就可以领取了！

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize

2、网页抓取后的处理

抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。

其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。

Life is short, you need python.

PS：python2.x和python3.x有很大不同，本文只讨论python3.x的爬虫实现方法。

爬虫架构

架构组成

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

URL管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器。

网页下载器（urllib）：爬取url对应的网页，存储成字符串，传送给网页解析器。

网页解析器（BeautifulSoup）：解析出有价值的数据，存储下来，同时补充url到URL管理器。

运行流程

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

URL管理器

基本功能

• 添加新的url到待爬取url集合中。
• 判断待添加的url是否在容器中（包括待爬取url集合和已爬取url集合）。
• 获取待爬取的url。
• 判断是否有待爬取的url。
• 将爬取完成的url从待爬取url集合移动到已爬取url集合。

存储方式

1、内存（python内存）

待爬取url集合：set()

已爬取url集合：set()

2、关系数据库（mysql）

urls(url, is_crawled)

3、缓存（redis）

待爬取url集合：set

已爬取url集合：set

大型互联网公司，由于缓存数据库的高性能，一般把url存储在缓存数据库中。小型公司，一般把url存储在内存中，如果想要永久存储，则存储到关系数据库中。

网页下载器（urllib）

将url对应的网页下载到本地，存储成一个文件或字符串。

基本方法

新建baidu.py，内容如下：

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

命令行中执行python baidu.py，则可以打印出获取到的页面。

构造Request

上面的代码，可以修改为：

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

携带参数

新建baidu2.py，内容如下：

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

使用Fiddler监听数据

我们想要查看一下，我们的请求是否真的携带了参数，所以需要使用fiddler。

打开fiddler之后，却意外发现，上面的代码会报错504，无论是baidu.py还是baidu2.py。

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

虽然python有报错，但是在fiddler中，我们可以看到请求信息，确实携带了参数。

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

经过查找资料，发现python以前版本的Request都不支持代理环境下访问https。但是，最近的版本应该支持了才对。那么，最简单的办法，就是换一个使用http协议的url来爬取，比如，换成http://www.csdn.net。结果，依然报错，只不过变成了400错误。

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

然而，然而，然而。。。神转折出现了！！！

当我把url换成http://www.csdn.net/后，请求成功！没错，就是在网址后面多加了一个斜杠/。同理，把http://www.baidu.com改成http://www.baidu.com/，请求也成功了！神奇！！！

添加处理器

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！ 豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

网页解析器（BeautifulSoup）

从网页中提取出有价值的数据和新的url列表。

解析器选择

为了实现解析器，可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等，这里我们选择BeautifulSoup。

其中，正则表达式基于模糊匹配，而另外三种则是基于DOM结构化解析。

BeautifulSoup

安装测试

1、安装，在命令行下执行pip install beautifulsoup4。

2、测试

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

使用说明

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！ 豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

基本用法

1、创建BeautifulSoup对象

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

2、访问节点

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

3、指定tag、class或id

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

4、从文档中找到所有<a>标签的链接

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！ 豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

出现了警告，根据提示，我们在创建BeautifulSoup对象时，指定解析器即可。

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

5、从文档中获取所有文字内容

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

6、正则匹配

豆瓣Python高级爬虫工程师总结的爬虫入门基础，希望有用！

后记

python爬虫基础知识，至此足够，接下来，在实战中学习更高级的知识。