it教育培训：零基础了解Python爬虫

首先爬虫是什么?

网络爬虫(又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定的规则，自动的抓取万维网信息的程序或者脚本。

根据我的经验，要学习Python爬虫，我们要学习的共有以下几点：

[li]

Python基础知识[/li][li]

Python中urllib和urllib2库的用法[/li][li]

Python正则表达式[/li][li]

Python爬虫框架Scrapy[/li][li]

Python爬虫更高级的功能[/li]

1. Python基础学习

首先，我们要用Python写爬虫，肯定要了解Python的基础吧，万丈高楼平地起，不能忘啦那地基。

2. Python urllib和urllib2 库的用法

urllib和urllib2库是学习Python爬虫较基本的库，利用这个库我们可以得到网页的内容，并对内容用正则表达式提取分析，得到我们想要的结果。

3. Python 正则表达式

Python正则表达式是一种用来匹配字符串的强有力的武器。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了，否则，该字符串就是不合法的。

4. 爬虫框架Scrapy

如果你是一个Python高手，基本的爬虫知识都已经掌握了，那么就寻觅一下Python框架吧，我选择的框架是Scrapy框架。这个框架有什么强大的功能呢?下面是它的官方介绍：

HTML, XML源数据 选择及提取 的内置支持

提供了一系列在spider之间共享的可复用的过滤器(即 Item Loaders)，对智能处理爬取数据提供了内置支持

通过 feed导出 提供了多格式(JSON、CSV、XML)，多存储后端(FTP、S3、本地文件系统)的内置支持

提供了media pipeline，可以 自动下载 爬取到的数据中的图片(或者其他资源)。

高扩展性。您可以通过使用 **s ，设计好的API(中间件, extensions, pipelines)来定制实现您的功能。

内置的中间件及扩展为下列功能提供了支持:

[blockquote]cookies and session 处理

HTTP 压缩

HTTP 认证

HTTP 缓存

user-agent模拟

robots.txt

爬取深度限制

针对非英语语系中不标准或者错误的编码声明, 提供了自动检测以及健壮的编码支持。[/blockquote]

[li]

支持根据模板生成爬虫。在加速爬虫创建的同时，保持在大型项目中的代码更为一致。详细内容请参阅 genspider 命令。[/li][li]

针对多爬虫下性能评估、失败检测，提供了可扩展的 状态收集工具 。[/li][li]

提供 交互式shell终端 , 为您测试XPath表达式，编写和调试爬虫提供了较大的方便[/li][li]

提供 System service, 简化在生产环境的部署及运行[/li][li]

内置 Web service, 使您可以监视及控制您的机器[/li][li]

内置 Telnet终端 ，通过在Scrapy进程中钩入Python终端，使您可以查看并且调试爬虫[/li][li]

Logging 为您在爬取过程中捕捉错误提供了方便[/li][li]

支持 Sitemaps 爬取[/li][li]

具有缓存的DNS解析器[/li]