python之爬虫学习记录与心得

之前在寒假的时候，学习了python基础。在慕课网上看的python入门：http://www.imooc.com/learn/177

python进阶：http://www.imooc.com/learn/317

其实好多知识都是学了忘，忘了学的。

最近因为要使用爬虫爬去数据和照片，所以现在开始学习网络爬虫。

爬虫架构：URL管理器，网页下载器，网页解析器

URL管理器：管理待抓取URL集合和已抓取URL集合 防止重复抓取。

URL管理器实现方法： 缓存数据库：大公司，性能高 内存：个人，小公司 关系数据库：永久保存URL数据或节约内存

网页下载器：将URL对应的网页以HTML下载到本地，用于后续分析 常见网页下载器：Python官方基础模块：urllib2 第三方功能包：requests

python 3.x中urllib库和urilib2库合并成了urllib库。 其中urllib2.urlopen()变成了urllib.request.urlopen() urllib2.Request()变成了urllib.request.Request()

 

Python的网页解析器分为两类： 1.模糊匹配—>正则表达式 2.结构化解析-> Beautiful Soup、html.parser、lxml 把整个网页作为一个DOM树来进行解析。（Document Objective Model）

新建一个pydev module。在里面输入：

import bs4

print(bs4)

右键文档 run as -> python as

运行出错。打开win+R，cmd

进入命令提示符。进入python的安装目录，cd script

pip install beautifulsoup4

进行安装。

安装成功后重新运行。

 

报错：
UserWarning: You provided Unicode markup but also provided a value for from_encoding. Your from_encoding will be ignored.
解决方法：
soup = BeautifulSoup(html_doc,"html.parser")
这一句中删除【from_encoding="utf-8"】
原因：
python3 缺省的编码是unicode, 再在from_encoding设置为utf8, 会被忽视掉，去掉【from_encoding="utf-8"】这一个好了