1.爬虫简介

爬虫首印象

定义：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
应用程序：就是从网页中提取的有用数据组成的一个应用。

¹

def main(var):
    print("hiya", var)

main(1)

if __name__ == "__main__":
    main(2)

执行结果是：

hiya 1
hiya 2

print ("test1")
def Fun():
    print ("Fun")
def main():
    print ("main")
    Fun()
if __name__ == '__main__':
    main()

执行结果是：

test1
main
Fun

python是解释型语言，执行流程通过如下规则判断：

一段python程序以py文件运行时，文件属性__name__为main；作为模块导入时，文件属性__name__为文件名(模块名)

Python中首先执行最先出现的非函数定义和非类定义的没有缩进的代码

后续我们都进行当前执行程序的判断，在main中进行整个程序的逻辑控制

if __name__ == '__main__':