爬虫的基本原理：https://www.cnblogs.com/zhaof/p/6898138.html
这个文章写的非常好，把爬虫 的基本思路解释的很清楚的。
一、介绍工具（用什么爬）
python为什么叫爬虫？1、Python IDLE就是用了创建、运行、测试和调试python的工具。
集成开发环境：用于程序开发环境的应用程序，一般包括代码编辑器、编译器、调试器和图形用户界面工具。就是集成了代码编写功能、分析功能、编译功能、debug功能等一体化的开发软件套。
后面我学习python，老师教的用得这几个工具，后面会一 一介绍。
网络爬虫的原理。文本类：
IDLE：是Python 自带、默认、常用、入门级的Python编辑工具。对于入门、要求功能简单，代码不超过300行的同学，这玩意儿就很实用。
sublime text ：专门为程序员开发第三方专用程序员工具。编写体验好，专业程序员喜欢。
集成类工具
wing ：收费、调试丰富、版本同步，适合多人共同开发。
爬虫工具是什么？visual studio &PTVS ：微软提供、调试丰富。
Eclipse pydev :开源IDLE开发工具，要有一定的开发经验。
PyCharm:简单、集成度高，适合复杂项目。
abaconda：开源免费、支持800个第三方库。
爬虫的方法和步骤？2、爬取数据用到的工具
requests:用来爬取HTML。页面、自动提交请求的。（模拟人的动作）
robots 协议：网络爬虫协议，去爬取东西时要遵循的规矩。
beautiful soup :把爬取回来的东西解析了
正则表达式：用来提取已经解析好的，你要的东西。
爬虫原理与数据抓取，
3、一系列的安装
安装requests库（前提要有pip），百度里面有很多安装教程。
二、requests库的介绍
requests库的7个主要方法 ,网络安全限制，更多用得用得是GET方法。
java爬虫入门， 
request基础方法，其他方法在其中分装。
get方法
爬虫教程、mthod请求方式有7种，就是HTTP协议里面的7种方法，再加上OPTIONS方法，OPTIONS方法是向服务器获取参数。
**Kwargs
爬虫python的爬取步骤，
requests库异常
python爬虫有什么用？
response 对象属性
# GET 全部信息 # HEADER 仅头部信息# Put 全部重置 # Patch 局部更新 ## 更改操作用户 # POST 后面添加新内容 ## 搜索使用 # DELETE 删除全部import requests''' r = requests.get("http://www.baidu.com") # 获得全部文本信息 uRL对应的页面内容 print(r.headers) # 头部信息 print(r.text) # seem is also all information '''# requests.head ''' r2 = requests.head("http://www.baidu.com") # just head information print(r.headers) # head information print(r2.text) # no ! because just get the head information '''# payload = {"key1":"value1","key2":"value2"} r3 = requests.post("http://www.baidu.com",data=payload) print(r3.text)
百度爬虫原理、--------------------------------------------------------------------------------------------------------------------------------------------------- 分割线
三、HTTP协议
我们去爬URL，就得知道URL遵循HTTP协议，
http 协议对资源的操作，http协议和requests库方法一一对应。
爬虫原理概念。 
四、robots协议
爬虫需要遵循的规则，告知你那些能爬，那些不能爬。
爬虫怎么学、
''' import requests r = requests.get('https://item.jd.com/13115733485.html') print(r.status_code) print(r.encoding) print(r.text) '''''' import requests url = 'https://item.jd.com/13115733485.html' try:r = requests.get(url, timeout=30)r.raise_for_status()r.encoding = r.apparent_encodingprint(r.text[:1000]) #显示前1000的字符 except:print("404") '''import requests def getHTMLText(url):try:r = requests.get(url,timeout = 30)r.raise_for_status() # 如果状态是200，引发异常r.encoding = r.apparent_encodingreturn r.textexcept:return "404"if __name__ == "__main__": #证明小明是自己，不用在执行该代码了url = "https://item.jd.com/13115733485.html"print(getHTMLText(url)[:1000])
五、response 库 用来获取网站信息
import requests r = requests.get("http://www.baidu.com")print(r.status_code) # HTTP请求的返回状态，200表示连接成功。404表示失败 print(r.text) # HTTP响应内容的字符串形式，即，uRL对应的页面内容。 print(r.encoding) # 从HTTP header中猜测的响应内容编码方式 print(r.apparent_encoding) # 内容中分析出的响应内容编码方式 print(r.content) # 响应内容的二进制形式 （处理图片，视频等使用） r.encoding = r.apparent_encoding # 转化编码 r.apparent_encoding 根据它的结果转码 print(r.text)
六、通用代码框架
def getHTMLText(url):try:r = requests.get(url,timeout = 30)r.raise_for_status() # 如果状态是200，引发异常r.encoding = r.apparent_encodingreturn r.textexcept:return "404"if __name__ == "__main__": # 证明小明是自己人，不用在执行这段代码url = "http://www.baidu.com"print(getHTMLText(url))
python爬虫基础教程？●涉及到异常处理用Python的 try -- except 语句。
try语句里面有四句，第一句是get方法、第二句判断是否链接异常、第三句用表兄弟替代encoding去找编写格式，第四句返回内容。
●def 是自定义函数的意思
●if __name__ == '__main__'
通俗的理解__name__ == '__main__'：假如你叫小明.py，在朋友眼中，你是小明(__name__ == '小明')；在你自己眼中，你是你自己(__name__ == '__main__')。
if __name__ == '__main__'的意思是：当.py文件被直接运行时，if __name__ == '__main__'之下的代码块将被运行；当.py文件以模块形式被导入时，if __name__ == '__main__'之下的代码块不被运行。
相信参考这里：https://blog.csdn.net/yjk13703623757/article/details/77918633/
