爬虫实际上就是通过代码实现“自动”登陆，并且能够自动完成一些数据的下载，一般网站都会对一些允许抓取的数据进行规定，具体的规定内容写在了每个网站的robots文件中。
爬虫是数据挖掘和分析的第一部，及：获取数据，因而对于从事数据分析的人来说，首先应该“了解”。也就是说，对于想要从事数据挖掘的人来说，并不要求你爬虫的技术非常高超，只要能够知道里面的基本技术层面即可。个人认为，数据挖掘的要旨并非在于数据（尽管很多数据界的名人都似乎推崇“大数据”），而是在于对于数据后面事件的理解......
言归正传：
爬虫的基本框架是：模拟登陆——获取数据——存储数据，当然，每一个步骤中都涉及很多需要注意的地方，如在模拟登陆中，要考虑request的方式和数据内容（这里要了解一些http的基础知识w3school 可以经常去看看，如用到xpath的时候），还要验证码以及密码加密（如新浪和拉钩网）。
模拟登陆之前，还要掌握一些httpclient/firebug这些软件的基本操作，以及具备看懂request/post数据的“技能”，这些“拦截”软件能够在client（浏览器）和server互动时“截获”双方信息。ps：所以登陆公共场所的wifi极其危险。
1 静态网站+密码可见
这种情况下，server要求不高，既没有动态码，也没有验证码，更没有加密，因而这类网站的模拟登陆一般非常好实现，只要python中的一些基本操作即可：
import urllib
import urllib2
url=r"http://www.xxxx.com" # 加入“r“的目的是为了避免一些转义字符额识别问题，个人编习惯
request=urllib2.Request(url)
rep=urllib2.urlopen(request) #此时的rep为instance，可以理解为类似于“文件”的东西
到这里已经将server返回的html文档记录在了rep中，后面就可以对rep进行读写操作
这里一定要注意网站的编码是什么，一般在“查看网站源码”中，可以看得到有一个为character=“utf-8”的内容，就表示网站html编码为utf-8，那么用python时，就必须对html进行decode（以utf-8编码方式转化为unicode），然后再进行其他处理，如正则表达式查找等。
content=rep.read().decode("utf-8")
with open(r"yourfile.txt","w") as f: #将rep中的html文档以uft-8的形式进行编码后存储
f.write(content.encode("utf-8"))
好了，这就是一般网页的模拟登陆
2 网站拒绝“机器”登陆
一般来说，除了像学校网站以及学校bbs这类的网站，其他网站都会对“机器”登陆比较反感，毕竟，那么此时，就需要在以上的基础上模拟浏览器登陆。
浏览器登陆的时候会发送一些我们看不到的内容，想要模拟浏览器登陆，就必须将浏览器发送的内容以post的形式发送给server端。浏览器一般post的内容见下：
具体参数的意思，如果忘了可以再google一下（查问题一定要用google）
这里要注意的一个定方是accept-encoding那里是：gzip和defualt，也就是说server会以压缩包的形式法给你html文档（有的时候也不是，这个还是具体实验），那么如果是以gzip的形式返回html，那么就一定要“解压”，否则会宝HTTPError 500，这个异常出来，一般很难发现。具体解压方法后面介绍。
在模拟浏览器登陆的过程中，也没有必要全部按照post的形式发送，可以只发送一些User-Agent或者referer的东西。发送user-agent是因为有些server要通过这个参数来判断是否是浏览器，发送referer是由于“反盗链”的原因，大概意思就是防止本网站的链接内容被其他“二道贩子”用来“倒卖”。
那么，在上面代码的基础上，这里可以加入：
headers={"User-Agent":"xxx","Referer":"xxx"}
request改为：
request=urllib2.Request(url,headers=headers)#在发送请求的时候加入header
这里附上urllib2的中文教程：urllib2 tutorial
PS：如果可以用Request库的还是用它吧 request tutorial
未完.....
