date: 2016-09-24 17:38:42
今天下雨，下午没课，适合学习。(●'◡'●)
1.爬虫简介
- 爬虫：一段自动抓取互联网信息的程序
- 价值：互联网数据，为我所用！
新闻聚合阅读器、最爆笑故事APP、图书价格对比网、Python技术文章大全
2.简单爬虫架构
简单爬虫架构-运行流程
调度器->URL管理器->下载器->解析器->应用
3.URL管理器
URL管理器：管理待抓取URL集合和已抓取URL集合
防止重复抓取、防止循环抓取
实现方式
1.内存
<pre>
Python内存
待爬取URL集合：set()
已爬取URL集合：set()
</pre>
2.关系数据库
<pre>
MySQL
urls(url, is_crawled)
</pre>
3.缓存数据库
<pre>
redis
待爬取URL集合：set
已爬取URL集合：set
</pre>
其中，内存适合个人，缓存数据库适合大型公司。
4.网页下载器（urllib2）核心组件
网页下载器：将互联网上URL对应的网页下载到本地的工具。
Python有那几种网页下载器？
<pre>
1.Python官方基础模块：urllib2
2.第三方包更强大：requests
</pre>
网页下载器-urllib2
- urllib2下载网页方法1：最简洁方法
url->urllib2.urlopen(url)
对应代码：
<pre>
import urllib2
直接请求
response = urllib2.urlopen('http://www.baidu.com')
获取状态码，如果是200表示获取成功
print response.getcode()
读取内容
cont = response.read()
</pre>
- urllib2下载网页方法2：添加data、http header
url&data&header->urllib2.Request->urllib2.urlopen(request)
对应代码：
<pre>
import urllib2
创建Request对象
request = urllib2.Request(url)
添加数据，向服务器提交用户数据，比如提交a这个数据的值为1
request.add_data('a','1')
添加http的header，http头信息。这里将爬虫伪装成一个Mozilla的浏览器。
request.add_header('User-Agent','Mozilla/5.0')
发送请求获取结果
response = urllib2.urlopen(request)
</pre>
- urllib2下载网页方法3：添加特殊情景的处理器
例如：- 某些需要登录信息的网页，可以用 HTTPCookieProcessor
- 某些需要代理才能访问的网页，可以用ProxyHandler
- 某些使用了加密协议，可以用HTTPSHandler
- 网页URL相互自动跳转关系，使用HTTPRedirectHandler
将这些Handler传送给opener = urllib2.build_opener(handler),再传送给urllib2.install_opener(opener),最后->urllib2.urlopen(url) urllib2.urlopen(request)
对应代码：
<pre>
import urllib2, cookielib
创建cookie容器,存储cookie数据
cj = cookielib.CookieJar()
创建1个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
给urllib2安装opener
urllib2.install_opener(opener)
使用带有cookie的urllib2访问网页
response = urllib2.urlopen("http://www.baidu.com/")
</pre>
