01：快速入门爬虫

1.引导

1.Robots协议

Robots协议（爬虫协议）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。该协议是国际互联网界通行的道德规范，虽然没有写入法律，但是每一个爬虫都应该遵守这项协议。

2.爬虫的流程

流程图

（1）获取网页

获取网页就是给一个网址发送请求，该网址会返回整个网页的数据

常用技术

获取网页的基础技术：requests、urllib和selenium

获取网页的进阶技术：多进程多线程抓取(8)、登录抓取、突破IP封禁和使用服务器抓取

（2）解析网页（提取数据）

解析网页就是从获取的整个网页的数据中提取想要的数据

常用技术

解析网页的基础技术：re正则表达式、BeautifulSoup和lxml

解析网页的进阶技术：解决中文乱码

（3）存储数据

存储数据也很容易理解，就是把数据存储下来。我们可以存储在csv中，也可以存储在数据库中

常用技术

存储数据的基础技术：存入txt文件和存入csv文件

存储数据的进阶技术：存入MySQL数据库和MongoDB数据库

2.环境安装

（1）Anaconda

(2)pycharm

3.入门级案例

[学习HTML的网站]http://www.w3school.com.cn/html/index.asp

Python 100试题l

爬虫学习测试网站

如此在浏览器上面查找我们想要的元素

第一步：打开浏览器，跳转到指定的网页，然后点击鼠标右键

点击小箭头后，会自动跳转到我们想要的内容上，并且显示标签

#*******************************************************#
# 导包：从bs4中导入BeautifulSoup
#*******************************************************#
import requests
from bs4 import BeautifulSoup
#*******************************************************#
#  link是我们想要获取的网页链接
#  这个链接可换成我们想要获取的网页链接
#*******************************************************#
link = "http://www.santostang.com/"
#*******************************************************#
#  headers是定义的浏览器的请求头，伪装成浏览器
#  一般是固定的，不要去改变它
#*******************************************************#
headers = {"User-Agent": "Mozilla/5.0 (WIindows; U; Windows NT 6.1;en-US; rv:1.9.1.6)Gecko/20100101 Firefox/3.5.6"}
#*******************************************************#
#####  第一步：请求网页
#*******************************************************#
r = requests.get(link, headers=headers)
print(f"获取网页的html网页内容如下:\n{r.text}")
#*******************************************************#
#####  第二步：解析网页
#   BeautifulSoup会将获取的html文档代码转换成soup对象
#   然后利用soup对象查找我们想要的指定元素
#*******************************************************#
soup = BeautifulSoup(r.text, 'html.parser')
#*******************************************************#
#    利用soup对象查找指定的元素
#    soup.find("h1", class_="post-title").a.text.strip()的意思是，找到第一篇文章标题
#    定位到class是"post-title"的h1元素，提取a元素，提取a元素里面的字符串，strip()去除左右空格
#*******************************************************#
title = soup.find("h1",class_="post-title").a.text.strip()
#*******************************************************#
# 输出一下自己提取的结果，看是否提取到
#*******************************************************#
print(title)
#*******************************************************#
#####  第三步：保存数据，为txt
#*******************************************************#
with open("results.txt", "a+") as f:
    f.write(title + "\n")