一 爬虫的定义和主要的功能
定义：爬虫就是向网站发起请求，获取资源后分析并提取有用的数据。
爬虫主要做的是什么？ 模拟浏览器发送请求------》下载网页源代码------》提取有用的数据-------》存放在数据库或者文件中
二 爬虫的基本流程以及请求与响应
基本流程：
1、发起请求 使用http库向目标站点发起请求，即发送一个Request；Request包含：请求头、请求体等 2、获取响应内容 如果服务器能正常响应，则会得到一个Response；Response包含：html，json，图片，视频等 3、解析内容 解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等；解析json数据：json模块；解析二进制数据:以b的方式写入文件 4、保存数据 数据库；文件
请求与响应
http协议：http://www.cnblogs.com/linhaifeng/articles/8243379.html equest：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server） Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。
三request
1、请求方式： 常用的请求方式：GET，POST;其他请求方式：HEAD，PUT，DELETE，OPTHONS ps：用浏览器演示get与post的区别，（用登录演示post） post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz post请求的参数放在请求体内：可用浏览器查看，存放于form data内 get请求的参数直接放在url后2、请求url url全称统一资源定位符，如一个网页文档，一张图片 一个视频等都可以用url唯一来确定 url编码 https://www.baidu.com/s?wd=图片 图片会被编码（看示例代码） 网页的加载过程是：加载一个网页，通常都是先加载document文档，在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求#3、请求头 User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host cookies：cookie用来保存登录信息 一般做爬虫都会加上请求头4、请求体 如果是get方式，请求体没有内容 如果是post方式，请求体是format data ps： 1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post
四 response
1、响应状态 200：代表成功 301：代表跳转 404：文件不存在 403：权限 502：服务器错误2、Respone header set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来 3、preview就是网页源代码 最主要的部分，包含了请求资源的内容 如网页html，图片 二进制数据等
总结
1、总结爬虫流程： 爬取--->解析--->存储2、爬虫所需工具： 请求库：requests,selenium 解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis3、爬虫常用框架： scrapy
校花网示例
import requestsimport reimport timeimport hashlibdef get_page(url): print('GET %s' %url) try: response=requests.get(url) if response.status_code == 200: return response.content except Exception: passdef parse_index(res): obj=re.compile('class="items.*? 0: movie_url=res[0] return movie_urldef save(movie_url): response=requests.get(movie_url,stream=False) if response.status_code == 200: m=hashlib.md5() m.update(('%s%s.mp4' %(movie_url,time.time())).encode('utf-8')) filename=m.hexdigest() with open(r'./movies/%s.mp4' %filename,'wb') as f: f.write(response.content) f.flush()def main(): index_url='http://www.xiaohuar.com/list-3-{0}.html' for i in range(5): print('*'*50,i) #爬取主页面 index_page=get_page(index_url.format(i,)) #解析主页面,拿到视频所在的地址列表 detail_urls=parse_index(index_page) #循环爬取视频页 for detail_url in detail_urls: #爬取视频页 detail_page=get_page(detail_url) #拿到视频的url movie_url=parse_detail(detail_page) if movie_url: #保存视频 save(movie_url)if __name__ == '__main__': main()#并发爬取from concurrent.futures import ThreadPoolExecutorimport queueimport requestsimport reimport timeimport hashlibfrom threading import current_threadp=ThreadPoolExecutor(50)def get_page(url): print('%s GET %s' %(current_thread().getName(),url)) try: response=requests.get(url) if response.status_code == 200: return response.content except Exception as e: print(e)def parse_index(res): print('%s parse index ' %current_thread().getName()) res=res.result() obj=re.compile('class="items.*? 0: movie_url=res[0] print('MOVIE_URL: ',movie_url) with open('db.txt','a') as f: f.write('%s\n' %movie_url) # save(movie_url) p.submit(save,movie_url) print('%s下载任务已经提交' %movie_url)def save(movie_url): print('%s SAVE: %s' %(current_thread().getName(),movie_url)) try: response=requests.get(movie_url,stream=False) if response.status_code == 200: m=hashlib.md5() m.update(('%s%s.mp4' %(movie_url,time.time())).encode('utf-8')) filename=m.hexdigest() with open(r'./movies/%s.mp4' %filename,'wb') as f: f.write(response.content) f.flush() except Exception as e: print(e)def main(): index_url='http://www.xiaohuar.com/list-3-{0}.html' for i in range(5): p.submit(get_page,index_url.format(i,)).add_done_callback(parse_index)if __name__ == '__main__': main()