2---python开发简单爬虫

学习地址：http://www.imooc.com/learn/563  慕课网

课程须知

本课程是Python语言开发的高级课程1、Python编程语法；2、HTML语言基础知识；3、正则表达式基础知识；

老师告诉你能学到什么？

1、爬虫技术的含义和存在价值

2、爬虫技术架构

3、组成爬虫的关键模块：URL管理器、HTML下载器和HTML解析器

4、实战抓取百度百科1000个词条页面数据的抓取策略设定、实战代码编写、爬虫实例运行

5、一套极简的可扩展爬虫代码，修改本代码，你就能抓取任何互联网网页！

★第一章

课程介绍：

课程进行简单的爬虫讲解----不需要登录的静态网页抓取

1、爬虫简介

2、简单爬虫架构

3、URL管理器

4、网页下载器urllib2

5、网页解析器beautifulsoup

6、完整实例  爬虫百度百科

★第二章，

爬虫是什么 ： 从一个url出发，自动访问他所关联的所有url，提取数据。

爬虫价值 ： 爬取互联网数据为我所用，开发新产品提供更好的服务

★第三章

3-1  python简单爬虫架构

Python简单爬虫架构的动态运行流程 3-2 Python简单爬虫架构的动态运行流

3-2  python简单爬虫架构 动态运行流程 【时序图】

★第四章  url管理器和实现方法

4-1  url管理

管理待抓取url结合  和  已经抓取的url集合  ，防止重复抓取和循环抓取

url管理器支持的功能 至少5个

4-2 url管理器的实现方式

目前有三种。

★第五章 网页下载器和  urllib2  模块  

5-1 网页下载器简介          将互联网上url对应的网页下载到本地的工具

python有哪些网页下载器？

5-2  urllib2  下载器网页的三种方法

①最简洁方法：把url传递给urllib2模块的urlopen方法   urllib2.urlopen(url)

②

③

三种方法功能依次更大更强

5.3 urllib2实例代码演示

ps:我安装的是Python3.5.2  ，使用第一种urllib2.urlopen（）报错，搜索发现官方3.0版本已经把urllib2,urlparse等五个模块都并入了urllib中，也就是整合了，参考   http://blog.csdn.net/pythonniu/article/details/51855035  ，正确用法

1. import urllib.request  
2. url="http://www.baidu.com"  
3. get=urllib.request.urlopen(url).read()  
4. print(get)  

★第六章  网页解析器和  beautifulsoup  第三方模块

6.1网页解析器简介

①正则表达式  

②Python自带 html.parser

③第三方插件  beautifulsoup  强大，能使用② 和 ④

④第三方插件   lxml

①是模糊匹配，②③④是结构化解析。DOM树 ，熟悉吧๑乛◡乛๑

6.2beautifulsoup模块简介和安装

该模块属于Python第三方模块，用于从HTML或xml提取数据。

官网 http://www.crummmy.com/software/BeautifulSoup

在线安装 beautifulsoup模块，截图如下【前提：已经有pip】

6.3beautifulsoup语法

流程：HTML网页   →创建beautifulsoup对象（生成dom树）  →搜索节点（find_all 方法 和 find方法，可以按照  名称、属性、文字  来搜索）   → 访问节点名称、属性、文字

例子：

代码如下：

6.4beautifulsoup实例测试

总结：课程教程是Python 2 版本，自己是3.x版本，很多语法都不一样，后面的实例我怕没有操作，改天用3版本开始练习爬虫案例。不过总体还是从小白到 对python爬虫整体概况有所了解。