爬虫，简单爬虫基础！

爬虫的分类：
１，通过网络爬虫（需要遵守robots协议）
robots协议：网站会告诉你什么东西该爬，什么东西不该爬，一旦爬去网站会将你屏蔽掉，通过网络爬虫就需要遵守robots协议（这是一个君子协议！）
https://www.taobao.com/robots.txt

２．自己写的爬虫程序爬取！
既然有爬虫就有反爬虫，爬虫和反爬虫斗争的第一步就是构造请求对象User-Agent ,我们最适合是爬虫语言就是python，java是python爬虫最大的竞争对手，但是java代码笨重，这里我们用python来实现第一个简单的爬虫
先看一下没有重构的User-Agent是一个什么样式的

这里没有重构的User-Aget是Python-urllib/3.6也是就是我们是用python3爬取的，这样网站的运维人员一看就知道我们是爬虫，立马就把我们给干掉了，所以这里我们就需要重构一个User-Agent.
这种User-Agent在网上一查一大把，可以随便用．
在python3 中我们在网上查了一个User-Agent,记住这里是一个字典，绝对不是一个字符串．先这样写，我们知道python是非常灵活的，有很多方法来完成User-Agent的
接下来我们开始一个正式的小爬虫程序，在这里我们爬取的是猫眼电影的一些电影信息，存放在excel文件中．
爬虫的爬取数据的步骤，
１．确定需要爬取的URL的地址（这非常重要，你要直到你要爬取的URL是什么！）
２．由请求模块向URL地址发送请求，并得到网站的响应
３．从响应内容中提取所需要数据（保存，在继续爬取）
这就是我们一个基本的爬虫的思路．一个简单的爬虫前期还需要准备一些库，python提供了强大的请求模块requests
接下来我们分析一下代码：
首先准备好我们所需要的库
这里创建了类，定义了地址和连接mysql数据库，创建游标对象。

class LianJia(object):
    def __init__(self):
        self.url='https://sh.lianjia.com/ershoufang/pg'
        self.db = pymysql.connect(
            '127.0.0.1', 'root', '123456', 'lianjiadb', charset='utf8'
        )
        self.cursor = self.db.cursor()

接下来是获取网页，获得相应，用requests.get方法获取到html的text信息，requests一共有三个参数第一个为地址URL，请求头headers，第三个为timeout：超时时间，超过时间会抛出异常。

#获取网页
    def get_page(self,url):
        html = requests.get(
            url=url,
            headers={'User-Agent': random.choice(ua_list)}
        ).text
        # 直接调用解析函数
        self.parse_page(html)

这里是解析函数，也就是拿到html中我们想要的东西，这里用到的是正则表达式！拿到只是网页中的一些简单信息

# 解析

    def parse_page(self, html):
        pattren = re.compile(
 '
.*?(.*?).*?
.*?(.*?)', re.S)
        r_list = pattren.findall(html)
        # print(r_list)
        self.writ_page(r_list)

把拿到的数据写入到数据库中，永久化保存，不要忘记提交数据库！！

 #写入数据库
    def writ_page(self,r_list):
        list=[]
        ins='insert into ljdb1 values(%s,%s)'
        for i in r_list:
            a=i[0],i[1]
            list.append(a)

        for film in list:
            film_name = film[0]
            film_link = film[1]
            self.cursor.execute(ins,[film_name,film_link])
            self.db.commit()

最后为主函数，主函数控制页数，数据爬取完成后关闭数据库！为了尽可能的不让后台管理人员识别出来我们这里随机等待1-3秒中，这也是爬虫和反爬很重要的机制。

  #主函数
    def main(self):
        for page in range(1,101):
            print('正在爬取第%d页....' % page)
            url=self.url+str(page)
            print('网页地址为:',url)
            self.get_page(url)
            time.sleep(random.randint(1,3))
            print('第%d页完成.' % page)
        # 断开数据库(所有页爬完之后)
        self.cursor.close()
        self.db.close()

测试如下

if __name__=="__main__":
    start = time.time()
    a=LianJia()
    a.main()
    end = time.time()
    print('执行时间: %.2f' % (end - start))

运行如下。。。。

这是一个简单的爬虫也是学习爬虫的开始！爬虫可谓是斗智斗勇啊，学习的道路还很长，这是一个简单的链家数据的！