理论部分：
一、爬虫的本质：使用代码，模拟用户，批量地发送网络请求，批量地获取数据。
网络请求：当用户在浏览器的地址栏中，输入网址，发送请求。
二、HTTP超文本传输协议：规定如何发送和接收网络请求。
参考《HTTP与HTTPS图解》
流程：
三、HTTP发送请求的方式：
3.1 get：
（1）可以在URL中带着参数，发送给服务器。服务器返回完整的数据流给浏览器。
（2）局限性：get请求会将参数，明文显示；参数的长度有限制。
3.2 post：
（1）数据大小没有限制
（2）服务器返回完整的数据给我们
3.3 put：
3.4 delete：
3.5 head：
——put、delete、head，都不能返回完整的数据流。
四、请求头、响应头、请求体、响应体：
4.1 general：通用设置
（1）Request URL：地址栏信息
（2）Request Method：发送请求的方式
（3）status code：状态码
——200：网络请求发送成功，服务器返回状态正确的数据。
——非200：网络请求发送不成功。
可以进行的操作：
a. 重新发送网络请求
b. 结合try except
（4）Remote Address：IP地址
（5）Referrer Policy：反向的URL
4.2 Response Headers：响应头
4.3 Request Headers：请求头（重点）
（0）真实的用户信息，全部都在请求头里面。而爬虫要做的就是模拟真实用户——应对反爬。
（1）Accept：文本格式。告诉服务器，发送的请求的文件的格式；告诉服务器，要返回什么样格式的代码。
（2）Accept Encoding：编码格式；压缩格式
（3）Accept—language：zh-CN,zh;1=0.9 返回的是中文格式
（4）Connection：长链接还是短连接
keep-alive：长链接
（5）Cookie（重要）：验证用
（6）Host：域名
（7）Referrer：标志从哪一个界面，跳转到当前界面
（8）User-Agent：存储浏览器和用户的信息
4.4 Query String Parameter：
五、robot协议：针对通用爬虫
5.1 通用爬虫：
（1）搜索引擎
（2）优势：速度快、开放性
（3）劣势：目标不明确；返回内容90%以上都是用户不需要的；不清楚用户的需求在哪里
5.2 聚焦爬虫：
（1）优势：目标明确；对用户需求解读精准；返回的内容固定。
（2）增量式爬虫：需要一页一页翻
（3）深度爬虫：静态数据：HTML+CSS
动态数据：JS代码+加密的JS代码
六、写爬虫所使用的模块：
（1）python原生的：
python3：urllib.request
python2：urllib2
（2）request模块：
request模块封装的就是urllib.request
七、爬虫的工作原理：（重要）
（1）确认要抓取的目标网页的URL（需要自己找）
（2）python代码发送网络请求，获取数据
（3）解析获取到的数据（精确地解析得到的所需数据）
（4）找新的目标URL，循环到第一步；
——多页数据
——需要分析URL的规律
（5）数据持久化——数据保存
实战：
（1）爬取不带参数的网页
（2）参数拼接：爬取带1个参数的网页
（3）参数拼接：爬取带有多个参数的网页
1. 爬取不带参数的百度首页：
import urllib.request #爬取百度首页www.baidu.com def load(): #1.目标网页URL地址 URL = "http://www.baidu.com/" #2.发送网络请求： #发送的是什么请求类型，可以在浏览器的network中查看 #返回response对象，使用response对象接收服务器返回的数据 response = urllib.request.urlopen(URL) #打印response对象，结果得到response对象地址 print(response) #3.读取response对象里面的具体内容数据 data = response.read() #因为爬取回来的数据是2进制格式，需要将数据换成字符串格式 #4.数据转码，二进制——>字符串 str_data = data.decode("utf-8") #具体网页爬取回来的是什么编码格式数据，需要在浏览器中的network中查看具体网页 #5.将数据写入文件： with open('baidu01.html', 'w', encoding = 'utf-8') as f: f.write(str_data) load()
结果：在pycharm中，使用浏览器直接打开baidu01.html文件，浏览器中的地址栏开头为localhost，说明这个网页是从本地启动的。
PS：将baidu01.html中代码，copy到一个新的.html文档中，打开html文件，不能显示百度字样的logo图片
为什么同样一段代码，会出现两种不同情况？
A：查看网页代码，发现该段图片的代码为：src="//www.baidu.com/g/bd_logo1.png"；缺少了HTTP协议开头！
在pycharm中，使用浏览器打开，浏览器会自动补全，开头协议；而打开HTML文件，却不会补全，导致图片链接失败。
修正方法：在HTML文件中，将该段代码，加上HTTP或HTTPS开头，src="https://www.baidu.com/g/bd_logo1.png"，logo图片再次正常。
2. 拼接参数——只拼接一个参数：
（1）假设我们要爬取，百度关于“美女”的搜索结果页面首页
（2）观察网页的URL，发现是：https://www.baidu.com/s?wd=美女
结构为：固定URL（https://www.baidu.com/） + /s?wd= + 关键字（美女）的形式
注意：这里的固定网址和可变参数之间的“ /s?wd=”，这个是网站后台自己定义的，和所要爬取的网站有关系，需要自己去观察所要爬取的网站的URL是什么结构。
（3）中文转译ASCII码：
由于python是解释型语言，python只支持ASCII码，不支持中文。
所以，如果URL地址中含有中文，就要将它转译成ASCII码，目的是让python能够看得懂。
转译ASCII码的固定写法：
转译后URL = urllib.parse.quote(转译前URL, safe=stringprintable)
（4）代码：
1 import urllib.request
2 import urllib.parse
3 import string
4
5 #爬取百度搜索结果页面，只带一个参数
6 def load():
7 #1.目标网页的URL
8 #1.1固定URL
9 fixed_url = 'https://www.baidu.com/'
10 #1.2需要加入的参数
11 #这里假设要爬取的页面，是关键词“美女”的搜索结果页面，参数为“美女”
12 params = "美女"
13 #1.3拼接参数+固定URL，组成目标网页URL
14 final_url = fixed_url + '/s?wd=' + params
15 #1.4将目标网页URL翻译为ASCII码，得到最终URL
16 new_final_url = urllib.parse.quote(new_final_url, safe=string.printable)
17
18 #2.根据URL，发送网络请求，使用response对象接收返回数据
19 response = urllib.request.urlopen(new_final_url)
20 #3.读取response对象返回数据
21 data = response.read()
22 #4.将数据转为字符串格式
23 str_data = data.decode("utf-8")
24 #5.数据持久化
25 with open('baidu02.html', 'w', encoding=''utf-8') as f:
26 f.write(str_data)
27
28 #调用方法
29 load()
得到baidu02.html文件，运行该文件结果：
注意：如果不对含有中文的URL转译，就会以下错误：
UnicodeEncodeError: 'ascii' codec can't encode characters in position 11-12: ordinal not in range(128)
3. 拼接参数——拼接多个参数：
（1）目标：爬取搜狗搜索关键词“美女”“哈哈”的搜索结果首页。
（2）观察网页的URL结构：https://www.sogou.com/web?query=美女+哈哈
固定网址（https://www.sogou.com/）+ web?query + 参数（美女+哈哈）
（3）当所要拼接的参数为多个时：需要构造参数字典。params_dict
（4）代码：
1 import urllib.request
2 import urllib.parse
3 import string
4
5 #爬取搜狗https://www.sogou.com/web?query=美女+哈哈
6 def load():
7 #1.目标URL
8 #1.1固定URL
9 fixed_URL = 'https://www.sogou.com/'
10 #1.2可变参数——关键词
11 #由于有多个参数，需要构造参数字典，参数都放在字典中
12 params_dict = {
13 "key1": "美女",
14 "key2": "哈哈"
15 }
16 #1.3拼接参数和固定URL，得到目标URL
17 final_URL = 'https://www.sogou.com/' + 'web?query=' + params_dict['key1'] + "+" + params_dict['key2']
18 #1.4将目标URL转译，得到最终URL
19 new_final_URL = urllib.parse.quote(final_URL, safe=string.printable)
20
21 request = urllib.request.Request(new_final_URL)
22 request.add_headers('User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1')
23
24 #2.发送网络请求
25 response = urllib.request.urlopen(request)
26 #3.读取response数据
27 data = response.read()
28 #4.将数据转成字符串格式
29 str_data = data.decode('utf-8')
30 #5.持久化
31 with open('sougou01.html', 'w', encoding='utf-8') as f:
32 f.write(str_data)
33 load()
得到sougou01.html，打开文件，结果显示：
注意：
还有一个方法：str_params = urllib.parse.urlencode(参数字典)
- 将key：value之间的冒号(:)，变为等号(=)，变成key=value形式
- 会将字典中的各个item之间，使用&符连接
- 该方法会同时将URL中的中文，转译成ASCII码形式