2017年12月03日 16:43:01 独行侠的守望 阅读数：204 标签： python爬虫 更多
个人分类： Python
编辑
版权声明：本文为博主原创文章，转载请注明文章链接。 https://blog.csdn.net/xiaoanzi123/article/details/78700863
学习地址：http://www.imooc.com/learn/563 慕课网
课程须知
本课程是Python语言开发的高级课程1、Python编程语法；2、HTML语言基础知识；3、正则表达式基础知识；
老师告诉你能学到什么？
1、爬虫技术的含义和存在价值
2、爬虫技术架构
3、组成爬虫的关键模块：URL管理器、HTML下载器和HTML解析器
4、实战抓取百度百科1000个词条页面数据的抓取策略设定、实战代码编写、爬虫实例运行
5、一套极简的可扩展爬虫代码，修改本代码，你就能抓取任何互联网网页！
★第一章
课程介绍：
课程进行简单的爬虫讲解----不需要登录的静态网页抓取
1、爬虫简介
2、简单爬虫架构
3、URL管理器
4、网页下载器urllib2
5、网页解析器beautifulsoup
6、完整实例 爬虫百度百科
★第二章，
爬虫是什么 ： 从一个url出发，自动访问他所关联的所有url，提取数据。
爬虫价值 ： 爬取互联网数据为我所用，开发新产品提供更好的服务
★第三章
3-1 python简单爬虫架构
3-2 python简单爬虫架构 动态运行流程 【时序图】
★第四章 url管理器和实现方法
4-1 url管理
管理待抓取url结合 和 已经抓取的url集合 ，防止重复抓取和循环抓取
url管理器支持的功能 至少5个
4-2 url管理器的实现方式
目前有三种。
★第五章 网页下载器和 urllib2 模块
5-1 网页下载器简介 将互联网上url对应的网页下载到本地的工具
python有哪些网页下载器？
5-2 urllib2 下载器网页的三种方法
①最简洁方法：把url传递给urllib2模块的urlopen方法 urllib2.urlopen(url)
②
③
三种方法功能依次更大更强
5.3 urllib2实例代码演示
ps:我安装的是Python3.5.2 ，使用第一种urllib2.urlopen（）报错，搜索发现官方3.0版本已经把urllib2,urlparse等五个模块都并入了urllib中，也就是整合了，参考 http://blog.csdn.net/pythonniu/article/details/51855035 ，正确用法
- import urllib.request
- url="http://www.baidu.com"
- get=urllib.request.urlopen(url).read()
- print(get)
★第六章 网页解析器和 beautifulsoup 第三方模块
6.1网页解析器简介
①正则表达式
②Python自带 html.parser
③第三方插件 beautifulsoup 强大，能使用② 和 ④
④第三方插件 lxml
①是模糊匹配，②③④是结构化解析。DOM树 ，熟悉吧๑乛◡乛๑
6.2beautifulsoup模块简介和安装
该模块属于Python第三方模块，用于从HTML或xml提取数据。
官网 http://www.crummmy.com/software/BeautifulSoup
在线安装 beautifulsoup模块，截图如下【前提：已经有pip】
6.3beautifulsoup语法
流程：HTML网页 →创建beautifulsoup对象（生成dom树） →搜索节点（find_all 方法 和 find方法，可以按照 名称、属性、文字 来搜索） → 访问节点名称、属性、文字
例子：
代码如下：
6.4beautifulsoup实例测试
总结：课程教程是Python 2 版本，自己是3.x版本，总体还是从小白到 对python爬虫整体概况有所了解一点吧。