Python入门爬虫，教程详解。
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
- 前言
- 一、Python网络爬虫
- 二、抓取的数据格式
- 三、现代前端页面爬取
- 总结
-
-
- 关于Python技术储备
-
- 一、Python所有方向的学习路线
- 二、Python基础学习视频
- 三、精品Python学习书籍
- 四、Python工具包+项目源码合集
-
- ①Python工具包
- ②Python实战案例
- ③Python小游戏源码
- 五、面试资料
- 六、Python兼职渠道
-
前言
什么是爬虫，讲点通俗易懂的，爬虫就是爬取网页，从中按照一定规则提取信息，重复以上过程自动化重复完成的程序。
一、Python网络爬虫
一只爬虫，第一件事情就是要爬取网页，这里主要是指获取网页的源代码。在网页的源代码里，会含有我们所需要的信息，而我们要做的事情就是从源代码中将这些信息提取出来。
我们请求网页的时候， Python 为我们提供了很多库来做这件事情，比如官方提供的 urllib ，以及第三方提供的 requests 、 Aiohttp 等。
我们可以使用这些库来发送 HTTP 请求，获取响应的数据，得到响应之后，我们只需要解析其中 body 部分的数据，就可以获得网页的源代码。
获取到源代码以后，我们接下来的工作就是解析源代码，从中提取出我们需要的数据。
提取数据最基础也是最常用的是使用正则表达式的方式的，但是这种方式比较复杂，也比较容易出错，不过不得不说，一个正则表达式写的非常厉害的人，完全用不着下面的这些解析类库，这是一个万能的方法。
悄悄的说一句，小编的正则表达式写的也不好，才会使用到这些由第三方提供的类库。
用于提取数据的类库有 Beautiful Soup 、 pyquery 、 lxml 等等。使用这些库，我们可以高效快速地从 HTML 中提取网页信息，如节点的属性、文本值等。
从源代码中提取到数据以后，我们会对数据进行保存，这里的保存形式多种多样，可以直接保存成 txt 、 json 、 Excel 文件等等，也可以保存至数据库，如 Mysql 、 Oracle 、 SQLServer 、 MongoDB 等等。
二、抓取的数据格式
一般而言，我们抓取到的都是 HTML 的网页源代码，这个是我们看得到的、常规的、直观的网页信息。
但是有些信息，并不是直接和 HTML 一起返回至网页的，会存在各种各样的 API 接口，这种接口返回的数据现在大多数是 JSON 的格式，也有一些会返回 XML 的数据格式，还会有一些个别的奇葩的接口直接返回程序猿自定义的字符串。这种 API 数据接口就需要具体问题具体分析了。
还有一些信息，比如各大图片站、视频站（如抖音、 B站），我们想要爬取的信息是图片或者视频，这些信息是已二进制的形式存在的，我们需要将这些二进制的数据爬取下来再进行转储。
此外，我们还能抓取到一些资源文件，如 CSS 、 JavaScript 等脚本资源，有的还会有一些 woff 等字体信息。这些信息是一个网页组成不可或缺的元素，只要浏览器能访问到的，我们都可以将其爬取下来。
三、现代前端页面爬取
很多时候，我们使用 HTTP 请求库爬取网页源代码时，爬取到的信息和我们在网页上看到的信息完全不一样，只有短短的几行。
这是因为最近这几年，前端技术突飞猛进，大量的采用前端模块化工具来构建前端页面，比较常用的框架有 Vue 、 React 等等。
导致我们获取到的网页只有一个空壳子，例如这种：
代码如下（示例）：
<!DOCTYPE html>
<html lang="en" style="background-color: #26282A; height: 100%">
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1, minimum-scale=1, maximum-scale=1, user-scalable=no">
<link rel="icon" href="<%= BASE_URL %>favicon.ico">
<title>演示项目</title>
</head>
<style>
html,
body,
#app {
height: 100%
}
</style>
<body>
<noscript>
<strong>We're sorry but xxxxxx doesn't work properly without JavaScript enabled. Please enable it to continue.</strong>
</noscript>
<div id="app"></div>
<!-- built files will be auto injected -->
<script src=/js/chunk-vendors.84ee7bec.js></script>
<script src=/js/app.4170317d.js></script>
</body>
</html>
代码来源是博主平时做的一些小东西，其中博主已经省略大量引入的 JavaScript。
body 节点里面只有一个 id 为 app 的节点，但是需要注意在 body 节点的最后引入了 JavaScript 文件，它们负责整个网页的渲染。
在浏览器打开这个页面后，首先会加载这个 HTML 的内容，接着会发现有 JavaScript 的脚本文件加载，获取到这些脚本文件后，开始执行其中的代码，而 JavaScript 脚本文件则会修改整个页面的 HTML 代码，向其中添加节点，从而完成整个页面的渲染。
但是当我们使用请求库去请求这个页面的时候，只能获得当前的 HTML 的内容，它并不会去帮我们获取这个 JavaScript 脚本文件并且帮我们执行这个脚本文件渲染整个 HTML DOM 节点，我们当然也就看不到浏览器当中看到的内容。
这也解释了为什么有时我们得到的源代码和浏览器中看到的不一样。
当然，遇到这种情况也不要慌，我们还可以使用Selenium、Splash这样的库来实现模拟浏览器中的 JavaScript 渲染。
后面，我们会慢慢聊这些内容，本文主要先帮各位同学对爬虫有一个基础的了解，方便后续的学习。
总结
网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
CSDN大礼包：《Python入门资料&实战源码&安装工具】免费领取（安全链接，放心点击）
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python基础学习视频
② 路线对应学习视频
还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述
③练习题
每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
因篇幅有限，仅展示部分资料
三、精品Python学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python工具包+项目源码合集
①Python工具包
学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
②Python实战案例
光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
③Python小游戏源码
如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
五、面试资料
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
六、Python兼职渠道
而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
