本文梳理了网页解析、抓包、爬虫基本流程等基础知识。全文约 6250 字，读完可能需要 9 分钟。
作者：voidking
前言
Python 非常适合用来开发网页爬虫，理由如下：
1、抓取网页本身的接口
相比与其他静态编程语言，如 java ， c#， c ++， python 抓取网页文档的接口更简洁；相比其他动态脚本语言，如 perl ， shell ， python 的 urllib 包提供了较为完整的访问网页文档的 API 。（当然 ruby 也是很好的选择）
此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟 user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize。
2、网页抓取后的处理
抓取的网页通常需要处理，比如过滤 html 标签，提取文本等。 python 的 beautifulsoap 提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做，但是用 python 能够干得最快，最干净。
Life is short , you need python.
PS ：python 2. x 和 python 3. x 有很大不同，本文只讨论 python 3. x 的爬虫实现方法。
爬虫架构
架构组成
URL 管理器：管理待爬取的 url 集合和已爬取的 url 集合，传送待爬取的 url 给网页下载器。
网页下载器（ urllib ）：爬取 url 对应的网页，存储成字符串，传送给网页解析器。
网页解析器（ BeautifulSoup ）：解析出有价值的数据，存储下来，同时补充 url 到 URL 管理器。
运行流程
URL 管理器
基本功能
添加新的 url 到待爬取 url 集合中。
判断待添加的 url 是否在容器中（包括待爬取 url 集合和已爬取 url 集合）。
获取待爬取的 url 。
判断是否有待爬取的 url 。
将爬取完成的 url 从待爬取 url 集合移动到已爬取 url 集合。
存储方式
1、内存（ python 内存） 待爬取 url 集合：set() 已爬取 url 集合：set()
2、关系数据库（ mysql ） urls( url , is_crawled)
3、缓存（ redis ） 待爬取 url 集合： set() 已爬取 url 集合： set()
大型互联网公司，由于缓存数据库的高性能，一般把 url 存储在缓存数据库中。小型公司，一般把 url 存储在内存中，如果想要永久存储，则存储到关系数据库中。
网页下载器（ urllib ）
将 url 对应的网页下载到本地，存储成一个文件或字符串。
基本方法
新建 baidu.py ，内容如下：
import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
buff = response.read()
html = buff.decode("utf8")
print(html)
命令行中执行 python baidu.py ，则可以打印出获取到的页面。
构造 Request
上面的代码，可以修改为：
import urllib.request
request = urllib.request.Request('http://www.baidu.com')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
携带参数
新建 baidu 2. py ，内容如下：
import urllib.request
import urllib.parse
url = '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)
使用 Fiddler 监听数据
我们想要查看一下，我们的请求是否真的携带了参数，所以需要使用 fiddler 。 打开 fiddler 之后，却意外发现，上面的代码会报错504，无论是 baidu.py 还是 baidu 2. py 。
虽然 python 有报错，但是在 fiddler 中，我们可以看到请求信息，确实携带了参数。
经过查找资料，发现python以前版本的Request都不支持代理环境下访问https。但是，最近的版本应该支持了才对。那么，最简单的办法，就是换一个使用http协议的url来爬取，比如，换成 http://www.csdn.net。结果，依然报错，只不过变成了400错误。
然而，然而，然而。。。神转折出现了！！！
当我把url换成 http://www.csdn.net/后，请求成功！没错，就是在网址后面多加了一个斜杠 /。同理，把 http://www.baidu.com改成 http://www.baidu.com/，请求也成功了！神奇！！！
添加处理器
import urllib.request
import http.cookiejar
# 创建cookie容器
cj = http.cookiejar.CookieJar()
# 创建opener
opener = urllib.request.build_opener(
urllib.request.HTTPCookieProcessor(cj))
# 给urllib.request安装opener
urllib.request.install_opener(opener)
# 请求
request = urllib.request.Request('http://www.baidu.com/')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
print(cj)
网页解析器（ BeautifulSoup ）
从网页中提取出有价值的数据和新的 url 列表。
解析器选择
为了实现解析器，可以选择使用正则表达式、 html.parser 、 BeautifulSoup 、 lxml 等，这里我们选择 BeautifulSoup 。
其中，正则表达式基于模糊匹配，而另外三种则是基于 DOM 结构化解析。
BeautifulSoup
安装测试
1、安装，在命令行下执行 pip install beautifulsoup4 。 2、测试
import bs4
print(bs4)
使用说明
基本用法
1、创建 BeautifulSoup 对象
import bs4
from bs4 import BeautifulSoup
# 根据html网页字符串创建BeautifulSoup对象
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p ><b>The Dormouse's story</b></p>
<p >Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" >Elsie</a>,
<a href="http://example.com/lacie" >Lacie</a> and
<a href="http://example.com/tillie" >Tillie</a>;
and they lived at the bottom of a well.</p>
<p >...</p>
"""
soup = BeautifulSoup(html_doc)
print(soup.prettify())
2、访问节点
print(soup.title)
print(soup.title.name)
print(soup.title.string)
print(soup.title.parent.name)
print(soup.p)
print(soup.p['class'])
3、指定 tag 、 class 或 id
print(soup.find_all('a'))
print(soup.find('a'))
print(soup.find(class_='title'))
print(soup.find(id="link3"))
print(soup.find('p', class_='title'))
4、从文档中找到所有 < a > 标签的链接
for link in soup.find_all('a'):
print(link.get('href'))
出现了警告，根据提示，我们在创建 BeautifulSoup 对象时，指定解析器即可。
soup = BeautifulSoup(html_doc, 'html.parser')
5、从文档中获取所有文字内容
print(soup.get_text())
6、正则匹配
link_node = soup.find('a', href=re.compile(r"til"))
print(link_node)
后记
python 爬虫基础知识，至此足够，接下来，在实战中学习更高级的知识。
题图：pexels，CC0 授权。
点击阅读原文，查看更多 Python 教程和资源。
阅读原文：http://mp.weixin.qq.com/s?__biz=MzAwNDc0MTUxMw==&mid=2649639947&idx=1&sn=09780c2f4168aa1e7ba02e899d97d692&scene=0#wechat_redirect
