1.什么是爬蟲
爬蟲昆著，即網絡爬蟲，大家可以理解為在網絡上爬行的一只蜘蛛术陶，互聯(lián)網就比作一張大網凑懂，而爬蟲便是在這張網上爬來爬去的蜘蛛咯，如果它遇到資源梧宫，那么它就會抓取下來接谨。想抓取什么？這個由你來控制它咯塘匣。
比如它在抓取一個網頁脓豪，在這個網中他發(fā)現(xiàn)了一條道路，其實就是指向網頁的超鏈接忌卤，那么它就可以爬到另一張網上來獲取數據扫夜。這樣，整個連在一起的大網對這之蜘蛛來說觸手可及驰徊，分分鐘爬下來不是事兒笤闯。
2.瀏覽網頁的過程
在用戶瀏覽網頁的過程中，我們可能會看到許多好看的圖片辣垒，比如 http://novel.tanzhouvip.com/ 望侈，我們會看到幾張的圖片以及百度搜索框印蔬，這個過程其實就是用戶輸入網址之后勋桶，經過DNS服務器，找到服務器主機侥猬，向服務器發(fā)出一個請求例驹，服務器經過解析之后，發(fā)送給用戶的瀏覽器 HTML退唠、JS鹃锈、CSS 等文件，瀏覽器解析出來瞧预，用戶便可以看到形形色色的圖片了屎债。
因此，用戶看到的網頁實質是由 HTML 代碼構成的垢油，爬蟲爬來的便是這些內容盆驹，通過分析和過濾這些 HTML 代碼，實現(xiàn)對圖片滩愁、文字等資源的獲取躯喇。
3.URL的含義
URL，即統(tǒng)一資源定位符硝枉，也就是我們說的網址廉丽，統(tǒng)一資源定位符是對可以從互聯(lián)網上得到的資源的位置和訪問方法的一種簡潔的表示倦微，是互聯(lián)網上標準資源的地址≌梗互聯(lián)網上的每個文件都有一個唯一的URL欣福，它包含的信息指出文件的位置以及瀏覽器應該怎么處理它。
URL的格式由三部分組成：
①第一部分是協(xié)議(或稱為服務方式)焦履。
http:// https:// ftp:// file://
②第二部分是存有該資源的主機IP地址(有時也包括端口號)劣欢。
127.0.0.1 www.tanzhouedu.com
baidu.tk
頂級域名,一級域名,根域名:除了后綴以外只有一個點號
www.baidu.com 二級域名
com baidu.com cn baidu.cn shanfeng.club
com.cn org.cn
baidu.com.cn
頂級域名baidu.com baidu.com.cn
二級域名www.baidu.com mp3.baidu.com
三級域名a.b.baidu.com
③第三部分是主機資源的具體地址，如目錄和文件名等裁良。
爬蟲爬取數據時必須要有一個目標的URL才可以獲取數據凿将，因此，它是爬蟲獲取數據的基本依據价脾，準確理解它的含義對爬蟲學習有很大幫助牧抵。
4. 環(huán)境的配置
學習Python，當然少不了環(huán)境的配置侨把，該課程使用的Python版本為Python2.7.9犀变，開發(fā)工具為pycharm
5.爬蟲的重要思想
1，理論上來講只要是網頁上面能夠看到的數據都是可以爬取的（因為所有看到的網頁上的數據都是由服務器發(fā)送到我們電腦上面的秋柄，只是有的數據加密過获枝，很難解密）
2，在網頁上無法看到或者無法獲取的數據骇笔，爬蟲同樣不可能拿到省店，比如一些付費資料
3，分析頁面數據的原則是從簡到繁笨触，從易到難
1）直接通過網頁源代碼獲取
2）分析是否為ajax異步加載
3）數據是否被加密 js
