前言
簡單來說互聯網是由一個個站點和網絡設備組成的大網，我們通過瀏覽器訪問站點，站點把HTML、JS、CSS代碼返回給瀏覽器，這些代碼經過瀏覽器解析、渲染，將豐富多彩的網頁呈現我們眼前；
一、爬蟲是什么？
如果我們把互聯網比作一張大的蜘蛛網，數據便是存放於蜘蛛網的各個節點，而爬蟲就是一只小蜘蛛，
沿着網絡抓取自己的獵物（數據）爬蟲指的是：向網站發起請求，獲取資源后分析並提取有用數據的程序；
從技術層面來說就是 通過程序模擬瀏覽器請求站點的行為，把站點返回的HTML代碼/JSON數據/二進制數據（圖片、視頻） 爬到本地，進而提取自己需要的數據，存放起來使用；
二、爬蟲的基本流程：
用戶獲取網絡數據的方式：
方式1：瀏覽器提交請求--->下載網頁代碼--->解析成頁面
方式2：模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放於數據庫或文件中
爬蟲要做的就是方式2；
1、發起請求
使用http庫向目標站點發起請求，即發送一個Request
Request包含：請求頭、請求體等
Request模塊缺陷：不能執行JS 和CSS 代碼
2、獲取響應內容
如果服務器能正常響應，則會得到一個Response
Response包含：html，json，圖片，視頻等
3、解析內容
解析html數據：正則表達式（RE模塊），第三方解析庫如Beautifulsoup，pyquery等
解析json數據：json模塊
解析二進制數據:以wb的方式寫入文件
4、保存數據
數據庫（MySQL，Mongdb、Redis）
文件
三、http協議 請求與響應
Request：用戶將自己的信息通過瀏覽器（socket client）發送給服務器（socket server）
Response：服務器接收請求，分析用戶發來的請求信息，然后返回數據（返回的數據中可能包含其他鏈接，如：圖片，js，css等）
ps：瀏覽器在接收Response后，會解析其內容來顯示給用戶，而爬蟲程序在模擬瀏覽器發送請求然后接收Response后，是要提取其中的有用數據。
四、 request
1、請求方式：
常見的請求方式：GET / POST
2、請求的URL
url全球統一資源定位符，用來定義互聯網上一個唯一的資源 例如：一張圖片、一個文件、一段視頻都可以用url唯一確定
url編碼
https://www.baidu.com/s?wd=圖片
圖片會被編碼（看示例代碼）
網頁的加載過程是：
加載一個網頁，通常都是先加載document文檔，
在解析document文檔的時候，遇到鏈接，則針對超鏈接發起下載圖片的請求
3、請求頭
User-agent：請求頭中如果沒有user-agent客戶端配置，服務端可能將你當做一個非法用戶host；
cookies：cookie用來保存登錄信息
注意： 一般做爬蟲都會加上請求頭
請求頭需要注意的參數：
（1）Referrer：訪問源至哪里來（一些大型網站，會通過Referrer 做防盜鏈策略；所有爬蟲也要注意模擬）
（2）User-Agent:訪問的瀏覽器（要加上否則會被當成爬蟲程序）
（3）cookie：請求頭注意攜帶
4、請求體
請求體
如果是get方式，請求體沒有內容 （get請求的請求體放在 url后面參數中，直接能看到）
如果是post方式，請求體是format data
ps：
1、登錄窗口，文件上傳等，信息都會被附加到請求體內
2、登錄，輸入錯誤的用戶名密碼，然后提交，就可以看到post，正確登錄后頁面通常會跳轉，無法捕捉到post
五、 響應Response
1、響應狀態碼
200：代表成功
301：代表跳轉
404：文件不存在
403：無權限訪問
502：服務器錯誤
2、respone header
響應頭需要注意的參數：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多個，是來告訴瀏覽器，把cookie保存下來
（2）Content-Location：服務端響應頭中包含Location返回瀏覽器之后，瀏覽器就會重新訪問另一個頁面
3、preview就是網頁源代碼
JSO數據
如網頁html，圖片
二進制數據等
六、總結
1、總結爬蟲流程：
爬取--->解析--->存儲
2、爬蟲所需工具：
請求庫：requests,selenium（可以驅動瀏覽器解析渲染CSS和JS，但有性能劣勢（有用沒用的網頁都會加載）；）
解析庫：正則，beautifulsoup，pyquery
存儲庫：文件，MySQL，Mongodb，Redis
3、爬獲校花網
最后送給大家點福利吧
基礎版：
View Code
函數封裝版
View Code
並發版（如果一共需要爬30個視頻，開30個線程去做，花的時間就是 其中最慢那份的耗時時間）
View Code
涉及知識：多線程多進程
計算密集型任務：使用多進程，因為能Python有GIL，多進程可以利用上CPU多核優勢；
IO密集型任務：使用多線程，做IO切換節省任務執行時間（並發）
線程池
參考博客：
WechatSogou [1]- 微信公眾號爬蟲。基於搜狗微信搜索的微信公眾號爬蟲接口，可以擴展成基於搜狗搜索的爬蟲，返回結果是列表，每一項均是公眾號具體信息字典。
DouBanSpider [2]- 豆瓣讀書爬蟲。可以爬下豆瓣讀書標簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價人數>1000的高分書籍；可依據不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進行爬取，並加入隨機延時來更好的模仿瀏覽器行為，避免爬蟲被封。
zhihu_spider [3]- 知乎爬蟲。此項目的功能是爬取知乎用戶信息以及人際拓撲關系，爬蟲框架使用scrapy，數據存儲使用mongo。
bilibili-user [4]- Bilibili用戶爬蟲。總數據數：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級，經驗值，粉絲數，生日，地址，注冊時間，簽名，等級與經驗值等。抓取之后生成B站用戶數據報告。
SinaSpider [5]- 新浪微博爬蟲。主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關注。代碼獲取新浪微博Cookie進行登錄，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。
distribute_crawler [6]- 小說下載分布式爬蟲。使用scrapy,Redis, MongoDB,graphite實現的一個分布式網絡爬蟲,底層存儲mongodb集群,分布式使用redis實現,爬蟲狀態顯示使用graphite實現，主要針對一個小說站點。
CnkiSpider [7]- 中國知網爬蟲。設置檢索條件后，執行src/CnkiSpider.py抓取數據，抓取數據存儲在/data目錄下，每個數據文件的第一行為字段名稱。
LianJiaSpider [8]- 鏈家網爬蟲。爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼。
scrapy_jingdong [9]- 京東爬蟲。基於scrapy的京東網站爬蟲，保存格式為csv。
QQ-Groups-Spider [10]- QQ 群爬蟲。批量抓取 QQ 群信息，包括群名稱、群號、群人數、群主、群簡介等內容，最終生成 XLS(X) / CSV 結果文件。
wooyun_public[11]-烏雲爬蟲。 烏雲公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內容存在mongodb中，大概約2G內容；如果整站爬全部文本和圖片作為離線查詢，大概需要10G空間、2小時（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。
QunarSpider [12]- 去哪兒網爬蟲。 網絡爬蟲之Selenium使用代理登陸：爬取去哪兒網站，使用selenium模擬瀏覽器登陸，獲取翻頁操作。代理可以存入一個文件，程序讀取並使用。支持多進程抓取。
findtrip [13]- 機票爬蟲（去哪兒和攜程網）。Findtrip是一個基於Scrapy的機票爬蟲，目前整合了國內兩大機票網站（去哪兒 + 攜程）。
163spider [14] - 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲
doubanspiders[15]- 豆瓣電影、書籍、小組、相冊、東西等爬蟲集
QQSpider [16]- QQ空間爬蟲，包括日志、說說、個人信息等，一天可抓取 400 萬條數據。
baidu-music-spider [17]- 百度mp3全站爬蟲，使用redis支持斷點續傳。
tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據搜索關鍵詞,物品id來抓去頁面的信息，數據存儲在mongodb。
stockholm [19]- 一個股票數據（滬深）爬蟲和選股策略測試框架。根據選定的日期范圍抓取所有滬深兩市股票的行情數據。支持使用表達式定義選股策略。支持多線程處理。保存數據到JSON文件、CSV文件。
BaiduyunSpider[20]-百度雲盤爬蟲。
Spider[21]-社交數據爬蟲。支持微博,知乎,豆瓣。
proxy pool[22]-Python爬蟲代理IP池(proxy pool)。
music-163[23]-爬取網易雲音樂所有歌曲的評論。
jandan_spider[24]-爬取煎蛋妹紙圖片。
CnblogsSpider[25]-cnblogs列表頁爬蟲。
spider_smooc[26]-爬取慕課網視頻。
CnkiSpider[27]-中國知網爬蟲。
knowsecSpider2[28]-知道創宇爬蟲題目。
aiss-spider[29]-愛絲APP圖片爬蟲。
SinaSpider[30]-動態IP解決新浪的反爬蟲機制，快速抓取內容。
csdn-spider[31]-爬取CSDN上的博客文章。
ProxySpider[32]-爬取西刺上的代理IP，並驗證代理可用性。
webspider[33]-本系統是一個主要使用python3, celery和requests來爬取職位數據的爬蟲，實現了定時任務，出錯重試，日志記錄，自動更改Cookies等的功能，並使用ECharts + Bootstrap 來構建前端頁面，來展示爬取到的數據。