摘要：Python爬蟲基礎
前言
Python非常適合用來開發網頁爬蟲，理由如下：
1、抓取網頁本身的接口
相比與其他靜態編程語言，如Java，c#，c++，python抓取網頁文檔的接口更簡潔；相比其他動態腳本語言，如perl，shell，python的urllib包提供了較為完整的訪問網頁文檔的API。（當然ruby也是很好的選擇）
此外，抓取網頁有時候需要模擬瀏覽器的行為，很多網站對于生硬的爬蟲抓取都是封殺的。這是我們需要模擬user agent的行為構造合適的請求，譬如模擬用戶登陸、模擬session/cookie的存儲和設置。在python里都有非常優秀的第三方包幫你搞定，如Requests，mechanize
2、網頁抓取后的處理
抓取的網頁通常需要處理，比如過濾html標簽，提取文本等。python的beautifulsoap提供了簡潔的文檔處理功能，能用極短的代碼完成大部分文檔的處理。
其實以上功能很多語言和工具都能做，但是用python能夠干得最快，最干凈。如果你想學習Python可以來這個群，首先是四七二，中間是三零九，最后是二六一，里面有大量的學習資料可以下載。
Life is short, you need python.
PS：python2.x和python3.x有很大不同，本文只討論python3.x的爬蟲實現方法。
URL管理器：管理待爬取的url集合和已爬取的url集合，傳送待爬取的url給網頁下載器。
網頁下載器（urllib）：爬取url對應的網頁，存儲成字符串，傳送給網頁解析器。
網頁解析器（BeautifulSoup）：解析出有價值的數據，存儲下來，同時補充url到URL管理器。
添加新的url到待爬取url集合中。
判斷待添加的url是否在容器中（包括待爬取url集合和已爬取url集合）。
獲取待爬取的url。
判斷是否有待爬取的url。
將爬取完成的url從待爬取url集合移動到已爬取url集合。
1、內存（python內存）
待爬取url集合：set()
已爬取url集合：set()
urls(url, is_crawled)
3、緩存（Redis）
待爬取url集合：set
已爬取url集合：set
大型互聯網公司，由于緩存數據庫的高性能，一般把url存儲在緩存數據庫中。小型公司，一般把url存儲在內存中，如果想要永久存儲，則存儲到關系數據庫中。如果你想學習Python可以來這個群，首先是四七二，中間是三零九，最后是二六一，里面有大量的學習資料可以下載。
將url對應的網頁下載到本地，存儲成一個文件或字符串。
新建baidu.py，內容如下：
importurllib.requestresponse = urllib.request.urlopen('http://www.baidu.com')buff = response.read()html = buff.decode("utf8")print(html)
命令行中執行python baidu.py，則可以打印出獲取到的頁面。
上面的代碼，可以修改為：
importurllib.requestrequest = urllib.request.Request('http://www.baidu.com')response = urllib.request.urlopen(request)buff = response.read()html = buff.decode("utf8")print(html)
新建baidu2.py，內容如下：
import urllib.requestimport urllib.parseurl ='http://www.baidu.com'values= {'name':'voidking','language':'Python'}data = urllib.parse.urlencode(values).encode(encoding='utf-8',errors='ignore')headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0'}request = urllib.request.Request(url=url, data=data,headers=headers,method='GET')response = urllib.request.urlopen(request)buff = response.read()html = buff.decode("utf8")print(html)
我們想要查看一下，我們的請求是否真的攜帶了參數，所以需要使用fiddler。
