0×00 介绍
爬虫技能是数据发掘，测验技能的重要的组成部分，是搜索引擎技能的中心。
可是作为一项一般的技能，一般人相同能够用爬虫技能做许多许多的工作，比方：你想了解一下FreeBuf一切关于爬虫技能的文章，你就能够编写爬虫去对FreeBuf的文章进行搜索，解析。比方你想取得淘宝某类产品的价格，你能够编写爬虫主动搜索某类产品，然后获取信息，得到自己想要的成果，每天守时爬一下自己就能够决定在什么时分贱价的时分买下心仪的产品了。或者说自己想搜集某类信息集组成自己的数据库，可是手动复制粘贴特别的费事，这时分爬虫技能就能够帮上大忙了对不对？
0×01 要求
那么本系列文章旨在遍及爬虫技能，当然不是那种直接拿来爬虫结构来阐明的。在本系列文章中，笔者极力从简到难，简明地介绍爬虫的各种要素，怎么样快速编写对自己有用的代码。可是对读者有必定小小的要求：看得懂python代码，然后自己能动手实践一些，除此之外，还要对html米素有必定的了解。
0×02 你能学到什么？
当然爬虫的文章在网上很简略找到，可是精美，体系地解说的文章仍是比较少，笔者在本文和往后的文章将介绍关于爬虫的各式各样的常识：
大致上，本文的写作次序是单机爬虫到分布式爬虫，功用完成到全体规划，从微观到微观。
1.    简略模块编写简略爬虫
2.    相对高雅的爬虫
3.    爬虫基本理论以及一般办法
4.    简略Web数据发掘
5.    动态web爬虫(能够处理js的爬虫)
6.    爬虫的数据存储
7.    多线程与分布式爬虫规划
假如有读者想找一些爬虫的入门书本来看，我引荐《web scraping with python》，这本书是英文版现在没有中文译著，可是网上有爱好者在翻译，有爱好的读者能够了解一下。
0×03 常识弥补
在这儿的常识弥补我其实是要简略介绍现在干流的几种爬虫编写用的模块：
Htmllib（sgmllib），这个模块是十分陈旧的一个模块，偏底层，实践便是简略解析html文档罢了，不支持搜索标签，容错性也比较差，这儿指的提示的是，假如传入的html文档没有正确完毕的话，这个模块是不会解析的，直到正确的数据传入或者说强行封闭。
BeautifulSoup，这个模块解析html十分专业，具有很好的容错性，能够搜索恣意标签，自带编码处理计划。
Selenium，主动化web测验计划处理者，相似BeautifulSoup，可是不一样的是，selenium自带了js解说器，也便是说selenium合作浏览器能够用来做动态网页的爬取，剖析，发掘。
Scrapy结构：一个专业的爬虫结构（单机），有相对完好的处理计划。
API爬虫：这儿大约都是需求付费的爬虫API，比方google，twitter的处理计划，就不在介绍。
笔者在文章中只会呈现前三种办法来做爬虫编写。
0×04 最简略的开端
最开端的一个比如，我将会先介绍最简略的模块，编写最简略的单页爬虫：
Urllib这个模块咱们这儿用来获取一个页面的html文档，详细的运用是，
Web = urllib.urlopen(url)
Data = Web.read()
要注意的是，这是py2的写法，py3是不一样的。
Smgllib这个库是htmllib的底层，可是也能够供给一个对html文本的解析计划，详细的运用办法是：
1.    自定义一个类，承继sgmllib的SGMLParser；
2.    复写SGMLParser的办法，增加自己自定义的标签处理函数
3.    经过自定义的类的目标的.feed(data)把要解析的数据传入解析器，然后自定义的办法主动收效。
import urllib
import sgmllib
 
class handle_html(sgmllib.SGMLParser):
       #unknown_starttag这个办法在恣意的标签开端被解析时调用
       #tag为标签名
       #attrs表明标签的参赛
   def unknown_starttag(self, tag, attrs):
       print "-------"+tag+" start--------"
       print attrs
       #unknown_endtag这个办法在恣意标签完毕被解析时被调用
   def unknown_endtag(self, tag):
       print "-------"+tag+" end----------"
 
web =urllib.urlopen("http://freebuf.com/")
web_handler = handle_html()
#数据传入解析器
web_handler.feed(web.read())
短短十几行代码，最简略的单页面爬虫就完成了，以下是输出的作用。咱们能够看到标签开端和完毕都被标记了。然后一起打印出了每一个参数。

接下来咱们能够运用这种底层的解析办法来做个根底的小比如：
下面这个小比如在标签开端的时分查看标签中的attrs特点，解分出一切的参数的href特点，知道的读者都知道这基本是被一个爬虫的必经之路。
import urllib
import sgmllib
 
class handle_html(sgmllib.SGMLParser):
defunknown_starttag(self, tag, attrs):
       #这儿使用try与except来防止报错。
       #可是并不引荐这样做，
       #关于这种小脚本尽管无伤大雅，可是在实践的项目处理中，
#这种做法存在很大的危险
       try:
           for attr in attrs:
                if attr[0] == "href":

[1] [2] [3]  黑客接单网