网络爬虫之初识网络爬虫

第一次接触到python是一个很偶然的因素，由于经常在网上看连载小说，很多小说都是上几百的连载。因此想到能不能自己做一个工具自动下载这些小说，然后copy到电脑或者手机上，这样在没有网络或者网络信号不好的时候都可以看。当时还不知道网络爬虫的概念。工作学习中用得最多的是C编程，但是对于网络世界而言，C确实不是一个好的语音，C更多面向硬件和内核。基于想自己下载网络小说的念头，认识到了python.使用过后真是觉得是一门适合网络的语言，加上数不清的第三方库可以使用。适合快速开发。当然python也在数据分析，自然语义方面也有很多优势。这里主要介绍在网络方面的应用。

说到网络，和我们最接近的就是网页了。网页主要技术是http，当然还有javascript,XML,JSON,TCP连接等一大堆前端，后端的东东，关于http的知识这里不做多的描述，推荐看下http权威指南。

网页都是用html语言写的，关于HTML语言W3CSCHOOL上面有大量的介绍。而网络爬虫就是主要针对HTML语言而言。不如下面的百度的界面，用google浏览器点击F12，IE右击鼠标，然后选择查看网页源代码。左边是我们上网看到的百度页面，右边就是html源代码。被script包含的部分就是javascript。 这个页面主要是动态加载的页面，显示的内容主要是用javascript来驱动。看上去还不太直观。下面我们看一个更简单的

在百度一下上右击鼠标，然后选择审查元素，对于的HMTL代码就显示出来

具体的代码：可以看到百度一下的这几个字在input元素里面，代表的是这是一个输入框

也许有人问，这和网络爬虫以及下载小说有啥关系，别急，前面的只是个网页的入门介绍。下面我们来看个小说的界面：下面是迅读网的小说，左边是小说正文，右边是相关的网页代码。大家看到没有，所有的小说正文都包含在标签是<div>并且id=”content_1”的的元素里面

如果我们能有工具能自动将HTML代码对应元素内容自动下载下来。不就可以自动下载小说了。这就是网络爬虫的功能，说白了网络爬虫就是解析HMTL代码并保存下来然后进行后处理的。简单来说就三个步骤：1 解析网页得到数据，2 保存数据 3 数据的后处理。下一章我们就首先从第一步解析网页得到数据开始。