第一天内容：网络请求和数据提取
前奏
爬虫的实际例子
搜索引擎（百度、谷歌、360搜索等）。
伯乐在线。
惠惠购物助手。
数据分析与研究（数据冰山知乎专栏）。
抢票软件等。
为什么用Python写爬虫程序
PHP：PHP是世界是最好的语言，但他天生不是做这个的，而且对多线程、异步支持不是很好，并发处理能力弱。爬虫是工具性程序，对速度和效率要求比较高。
Java：生态圈很完善，是Python爬虫最大的竞争对手。但是Java语言本身很笨重，代码量很大。重构成本比较高，任何修改会导致代码大量改动。爬虫经常要修改采集代码。
C/C++：运行效率是无敌的。但是学习和开发成本高。写个小爬虫程序可能要大半天时间。
Python：语法优美、代码简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。
准备工具
Python3.6开发环境。
Pycharm 2017 professional版。
虚拟环境。`virtualenv/virtualenvwrapper`。
http协议和Chrome抓包工具
http和https协议：（有时候浏览器自动补充完整）
HTTP协议：全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口号是80端口。 HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443端口。
http请求的过程：
当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为“Get”和“Post”两种方法。
当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个Request请求去获取http://www.baidu.com 的html文件，服务器把Response文件对象发送回给浏览器。
浏览器分析Response中的 HTML，发现其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。 浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件。
当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。
url详解
URL是Uniform Resource Locator的简写，统一资源定位符。 一个URL由以下几部分组成：
scheme://host:port/path/?query-string=xxx#anchor
scheme：代表的是访问的协议，一般为http或者https以及ftp等。
host：主机名，域名，比如www.baidu.com。
port：端口号。当你访问一个网站的时候，浏览器默认使用80端口。
path：查找路径。比如：www.jianshu.com/trending/now，后面的trending/now就是path。
query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串。
anchor：锚点，后台一般不用管，前端用来做页面定位的。
注意：浏览器会对url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。
两种常用的get请求和post请求
get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。
post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。 以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改成post请求，这个要视情况而定。
请求头参数
http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。(见拉勾)
1、User-Agent：浏览器名称。 2、Referer
3、Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。 （地铁上下客类比）
响应状态码：
200：请求正常，服务器正常的返回数据。
301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。
302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
400：请求的url在服务器上找不到。换句话说就是请求url错误。
403：服务器拒绝访问，权限不够。
500：服务器内部错误。可能是服务器出现bug了。
requests库
发送GET请求
response = requests.get("http://www.baidu.com/s", params = kw, headers = headers)
发送POST请求
resp = requests.post(url,headers=headers,data=data)
使用代理
requests添加代理也非常简单，只要在请求的方法中（比如get或者post）传递proxies参数
resp = requests.get(url,headers=headers,proxies=proxy)
session
用requests，也要达到共享cookie的目的，那么可以使用requests库给我们提供的session对象，这里的session不是web开发中的那个session，这个地方只是一个会话的对象而已。cookie存在session里面。
# 登录
session = requests.session()
session.post(url,data=data,headers=headers)
# 访问大鹏个人中心
resp = session.get('http://www.renren.com/880151247/profile')
处理不信任的SSL证书及解码
resp = requests.get('http://www.12306.cn/mormhweb/',verify=False)
print(resp.content.decode('utf-8')) #转成utf-8
response.text 和response.content的区别
response.text（默认ISO-8859-1）
print(resp.encoding ) #查看
类型：str
解码类型：根据HTTP头部对响应的编码做出有根据的推测，推测的文本编码 ISO-8859-1
如何修改编码方式：response.encoding="gbk"
url = 'http://www.dytt8.net/html/gndy/dyzz/list_23_1.html' resp = requests.get(url,headers=HEADERS) print(resp.encoding ) #默认8859-1 resp.encoding = "gb2312" print(resp.encoding) #2312 print(resp.text)
response.content（二进制）
类型：bytes
解码类型：没有指定
如何修改编码方式：response.content.decode("utf8")
返回json字符串转字典或者列表：非常强大response.json()
代理高匿名才有用
数据提取（xpath，lxml，bs4，re）
XPath语法和lxml模块
BeautifulSoup4库
tag.string获取标签中的文字。示例代码如下：
print soup.p.string # The Dormouse's story
搜索文档树
1. find和find_all方法
2. select方法
正则表达式。