1.开发环境
pycharm2017.3.3
python3.5
2.网络爬虫的定义
网络爬虫，也叫网络蜘蛛（web spider），如果把互联网比喻成一个蜘蛛网，spider就是一只在网上爬来爬去的蜘蛛，网络爬虫就是根据网页的地址来寻找网页的，也就是URL。举一个简单的例子，我们在浏览器的地址栏中输入的字符串就是URL，例如：https://www.baidu.com/
URL就是统一资源定位符（uniform resource location），他的一般格式如下（带方括号[]的为可选项）
protocol://hostname[:port]/path/[:parameters][?query]#fragment
URL的格式由三部分组成：
（1）protocol：第一部分就是协议，例如百度使用的就是https协议；
（2）hostname[：port]：第二部分人就是主机名（还有端口号为可选参数），一般网站默认的端口号为80
（3）path：第三部分就是主机资源的具体地址，如目录和文件名等，网络爬虫就是根据这个URL来获取网页信息的
3.简单爬虫实例
在Python3.x中，我们可以使用urllib这个组件抓取网页，urllib是一个URL处理包，这个包中集合了一下处理url的模块，如下：
（1）urllib.request模块是用来打开和读取URLs的；
（2）urllib.error模块包含一些由urllib.request产生的错误，可以使用try进行捕捉处理
（3）urllib.parse模块包含了一些解析URLs的方法；
（4）urllib.robotparser模块用来解析robots.txt文本文件，它提供了一个单独的RobotFileParser类，通过该类提供的can_fatch()方法测试爬虫是否可以下载一个页面
我们使用urllib.request.urlopen（）这个接口函数就可以很轻松的打开一个网站，读取并打印信息
下面来写一个简单的程序实现一下
from urllib import request
if __name__ == "__main__":
response = request.urlopen("http://www.baidu.com")
html = response.read()
print(html)
运行结果（可以看到进度条还能拉倒很远）
这都是些什么鬼玩意呢
拿来对比一下,浏览器中打开www.baidu.com，查看页面元素，快捷键F12（浏览器最好用火狐或者Chrome）
东西都一样，就是格式有点乱，可以通过简单的decode（）命令将网页的信息进行解码并显示出来，在代码中添加一句html=html.decode("utf-8")即可
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)
输出正常的html格式
当然编码方式不是我们猜出来的，是查出来的，在查看元素中找到head标签，打开，看到charset="utf-8"，就是编码方式
4.自动获取网页编码方式的方法
这里采用第三方库的方法，安装chardet
pip install chardet
对代码稍作修改用来判断网页的编码方式
from urllib import request
import chardet
if __name__ == "__main__":
response = request.urlopen("http://www.baidu.com")
html = response.read()
#html = html.decode("utf-8")
charset = chardet.detect(html)
print(charset)
可以看到返回的是字典，最后也可以整合一下
from urllib import request
import chardet
if __name__ == "__main__":
response = request.urlopen("http://www.baidu.com")
html = response.read()
charset = chardet.detect(html)
html = html.decode(charset.get('encoding')) print(html)
完美