執行平臺：Windows
Python版本：Python3.x
IDE：Sublime text3

    一直想學習Python爬蟲的知識，在網上搜索了一下，大部分都是基於Python2.x的。因此打算寫一個Python3.x的爬蟲筆記，以便後續回顧，歡迎一起交流、共同進步。

一、預備知識

1.Python3.x基礎知識學習：

    可以在通過如下方式進行學習：

    (1)廖雪峰Python3教程(文件)：

    (2)菜鳥教程Python3教程(文件)：

    (3)魚C工作室Python教程(視訊)：

    小甲魚老師很厲害，講課風格幽默詼諧，如果時間充裕可以考慮看視訊。

2.開發環境搭建：

    Sublime text3搭建Pyhthon IDE可以檢視部落格:

二、網路爬蟲的定義

    網路爬蟲，也叫網路蜘蛛(Web Spider)，如果把網際網路比喻成一個蜘蛛網，Spider就是一隻在網上爬來爬去的蜘蛛。網路爬蟲就是根據網頁的地址來尋找網頁的，也就是URL。舉一個簡單的例子，我們在瀏覽器的位址列中輸入的字串就是URL，例如：https://www.baidu.com/

    URL就是同意資源定位符(Uniform Resource Locator)，它的一般格式如下(帶方括號[]的為可選項)：

    protocol :// hostname[:port] / path / [;parameters][?query]#fragment

    URL的格式由三部分組成：

    (1)protocol：第一部分就是協議，例如百度使用的就是https協議；

    (2)hostname[:port]：第二部分就是主機名(還有埠號為可選引數)，一般網站預設的埠號為80，例如百度的主機名就是www.baidu.com，這個就是伺服器的地址;

    (3)path：第三部分就是主機資源的具體地址，如目錄和檔名等。

    網路爬蟲就是根據這個URL來獲取網頁資訊的。

三、簡單爬蟲例項

    在Python3.x中，我們可以使用urlib這個元件抓取網頁，urllib是一個URL處理包，這個包中集合了一些處理URL的模組，如下：

1.urllib.request模組是用來開啟和讀取URLs的；

2.urllib.error模組包含一些有urllib.request產生的錯誤，可以使用try進行捕捉處理；

3.urllib.parse模組包含了一些解析URLs的方法；

4.urllib.robotparser模組用來解析robots.txt文字檔案.它提供了一個單獨的RobotFileParser類，通過該類提供的can_fetch()方法測試爬蟲是否可以下載一個頁面。

    我們使用urllib.request.urlopen()這個介面函式就可以很輕鬆的開啟一個網站，讀取並列印資訊。

    urlopen有一些可選引數，具體資訊可以查閱Python自帶的documentation。

    瞭解到這些，我們就可以寫一個最簡單的程式，檔名為urllib_test01.py，感受一個urllib庫的魅力：

# -*- coding: UTF-8 -*-
from urllib import request

if __name__ == "__main__":
    response = request.urlopen("http://fanyi.baidu.com")
    html = response.read()
    print(html)

    urllib使用使用request.urlopen()開啟和讀取URLs資訊，返回的物件response如同一個文字物件，我們可以呼叫read()，進行讀取。再通過print()，將讀到的資訊打印出來。

    執行程式ctrl+b，可以在Sublime中檢視執行結果，如下：

    也可以在cmd(控制檯)中輸入指令：

python urllib_test01.py

    執行py檔案，輸出資訊是一樣的，如下：

    其實這就是瀏覽器接收到的資訊，只不過我們在使用瀏覽器的時候，瀏覽器已經將這些資訊轉化成了介面資訊供我們瀏覽。當然這些程式碼我們也可以從瀏覽器中檢視到。例如，使用谷歌瀏覽器，在任意介面單擊右鍵選擇檢查，也就是審查元素(不是所有頁面都可以審查元素的，例如起點中文網付費章節就不行.)，以百度介面為例，截圖如下：

    可以看到，右邊就是我們的審查結果。我們可以在本地，也就是瀏覽器(客戶端)更改元素，但是這個不會上傳到伺服器端。例如我可以修改自己的支付寶餘額裝一裝，比如這樣：

    我實際有這些錢嗎？顯然苦逼的我，是不會有這些錢的，我只不過是修改了下審查元素的資訊而已。

    有些跑偏，不過說的道理就是，瀏覽器就是作為客戶端從伺服器端獲取資訊，然後將資訊解析，再展示給我們的。

    迴歸正題，雖然我們已經成功獲取了資訊，但是顯然他們都是二進位制的亂碼，看起來很不方便。我們怎麼辦呢？

    我們可以通過簡單的decode()命令將網頁的資訊進行解碼，並顯示出來，我們新建立一個檔案，命名為urllib_test02.py，編寫如下程式碼(還是以百度翻譯網站fanyi.baidu.com為例)：

# -*- coding: UTF-8 -*-
from urllib import request

if __name__ == "__main__":
    response = request.urlopen("http://www.fanyi.baidu.com/")
    html = response.read()
    html = html.decode("utf-8")
    print(html)

    這樣我們就可以得到這樣的結果，顯然解碼後的資訊看起來工整和舒服多了：

    當然這個前提是我們已經知道了這個網頁是使用utf-8編碼的，怎麼檢視網頁的編碼方式呢？需要人為操作，且非常簡單的方法是使用使用瀏覽器審查元素，只需要找到head標籤開始位置的chareset，就知道網頁是採用何種編碼的了。如下：

    這樣我們就知道了這個網站的編碼方式，但是這需要我們每次都開啟瀏覽器，並找下編碼方式，顯然有些費事，使用幾行程式碼解決更加省事並且顯得酷一些。

四、自動獲取網頁編碼方式的方法

    獲取網頁編碼的方式有很多，個人更喜歡用第三方庫的方式。

    首先我們需要安裝第三方庫chardet，它是用來判斷編碼的模組，安裝方法如下圖所示，只需要輸入指令：

pip install chardet

    安裝好後，我們就可以使用chardet.detect()方法，判斷網頁的編碼方式了。至此，我們就可以編寫一個小程式判斷網頁的編碼方式了，新建檔名為chardet_test01.py：

# -*- coding: UTF-8 -*-
from urllib import request
import chardet

if __name__ == "__main__":
    response = request.urlopen("http://fanyi.baidu.com/")
    html = response.read()
    charset = chardet.detect(html)
    print(charset)

    執行程式，檢視輸出結果如下：

    瞧，返回的是一個字典，這樣我們就知道網頁的編碼方式了，通過獲得的資訊，採用不同的解碼方式即可。

PS：關於編碼方式的內容，可以自行百度，或者看下這篇部落格：