1.什么是爬蟲
爬蟲，即網(wǎng)絡(luò)爬蟲食茎，大家可以理解為在網(wǎng)絡(luò)上爬行的一直蜘蛛蒂破，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在這張網(wǎng)上爬來(lái)爬去的蜘蛛咯别渔，如果它遇到資源附迷，那么它就會(huì)抓取下來(lái)。想抓取什么哎媚？這個(gè)由你來(lái)控制它咯喇伯。
比如它在抓取一個(gè)網(wǎng)頁(yè)，在這個(gè)網(wǎng)中他發(fā)現(xiàn)了一條道路拨与，其實(shí)就是指向網(wǎng)頁(yè)的超鏈接稻据，那么它就可以爬到另一張網(wǎng)上來(lái)獲取數(shù)據(jù)。這樣买喧，整個(gè)連在一起的大網(wǎng)對(duì)這之蜘蛛來(lái)說觸手可及捻悯，分分鐘爬下來(lái)不是事兒。
2.瀏覽網(wǎng)頁(yè)的過程
在用戶瀏覽網(wǎng)頁(yè)的過程中淤毛，我們可能會(huì)看到許多好看的圖片今缚，比如http://image.baidu.com/，我們會(huì)看到幾張的圖片以及百度搜索框低淡，這個(gè)過程其實(shí)就是用戶輸入網(wǎng)址之后姓言，經(jīng)過DNS服務(wù)器，找到服務(wù)器主機(jī)蔗蹋，向服務(wù)器發(fā)出一個(gè)請(qǐng)求事期，服務(wù)器經(jīng)過解析之后，發(fā)送給用戶的瀏覽器 HTML纸颜、JS兽泣、CSS 等文件，瀏覽器解析出來(lái)胁孙，用戶便可以看到形形色色的圖片了唠倦。
因此称鳞，用戶看到的網(wǎng)頁(yè)實(shí)質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲爬來(lái)的便是這些內(nèi)容稠鼻，通過分析和過濾這些 HTML 代碼冈止，實(shí)現(xiàn)對(duì)圖片、文字等資源的獲取候齿。
3.URL的含義
URL熙暴，即統(tǒng)一資源定位符，也就是我們說的網(wǎng)址慌盯，統(tǒng)一資源定位符是對(duì)可以從互聯(lián)網(wǎng)上得到的資源的位置和訪問方法的一種簡(jiǎn)潔的表示周霉，是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址⊙窃恚互聯(lián)網(wǎng)上的每個(gè)文件都有一個(gè)唯一的URL俱箱，它包含的信息指出文件的位置以及瀏覽器應(yīng)該怎么處理它。
URL的格式由三部分組成：
①第一部分是協(xié)議(或稱為服務(wù)方式)灭必。
②第二部分是存有該資源的主機(jī)IP地址(有時(shí)也包括端口號(hào))狞谱。
③第三部分是主機(jī)資源的具體地址，如目錄和文件名等禁漓。
爬蟲爬取數(shù)據(jù)時(shí)必須要有一個(gè)目標(biāo)的URL才可以獲取數(shù)據(jù)跟衅，因此，它是爬蟲獲取數(shù)據(jù)的基本依據(jù)播歼，準(zhǔn)確理解它的含義對(duì)爬蟲學(xué)習(xí)有很大幫助伶跷。
4. 環(huán)境的配置
學(xué)習(xí)Python，當(dāng)然少不了環(huán)境的配置荚恶，最初我用的是Notepad++撩穿，不過發(fā)現(xiàn)它的提示功能實(shí)在是太弱了，于是谒撼，在Windows下我用了PyCharm食寡，在Linux下我用了Eclipse for Python，另外還有幾款比較優(yōu)秀的IDE廓潜，大家可以參考這篇文章學(xué)習(xí)Python推薦的IDE抵皱。好的開發(fā)工具是前進(jìn)的推進(jìn)器，希望大家可以找到適合自己的IDE
下一節(jié)辩蛋，我們就正式步入 Python 爬蟲學(xué)習(xí)的殿堂了呻畸，小伙伴準(zhǔn)備好了嘛？
