首先说明一下我的爬虫环境是基于py2.x的， 为什么用这个版本呢，因为py2.x的版本支持的多，而且一般会使用py2.x环境，基本在py3.x也没有太大问题，好了，进入正题！
urllib 与 urllib2urllib与urllib2是Python内置的，要实现Http请求，以urllib2为主,urllib为辅. 构建一个请求与响应模型import urllib2strUrl = "http://www.baidu.com"
response = urllib2.urlopen(strUrl)
print response.read()得到：
<div ><b>网页</b><a href...
1、fake_useragentpip install fake_useragent 2、图展示pip install pyechartspip install pyecharts-snapshot 原文：https://www.cnblogs.com/cbugs/p/9803203.html
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理以下文章来源于腾讯云，作者：小小科( 想要学习Python？Python学习交流群：1039649593，满足你的需求，资料都已经上传群文件流，可以自行下载！还有海量最新2020python学习资料。 )1、基本抓取网页get方法import urllib2
url "http://www.baidu.com"
respons = urllib2.urlopen(url)
print response.read() po...
一、Request模块1.HTTP for Humans,更简洁更友好2.继承了urllib所有的特征3.底层使用的是urllib34.?开源地址：https://github.com/requests/requests5.中文文档?：https://requests.readthedocs.io/zh_CN/latest/6.先安装这个包:pip install requests7.get请求（1）requests.get()（2）requests.request("get",url)（3）可以带有headers和params参数8.get返回内容 import requests?#两种请求
url = "http://www.baidu.com/s?"rsp =...
1 timeStamp = 1381419600
2 dateArray = datetime.datetime.utcfromtimestamp(timeStamp)
3 otherStyleTime = dateArray.strftime("%Y--%m--%d %H:%M:%S")
4print otherStyleTime # 2013--10--10 15:40:005 dateArray = datetime.datetime.utcfromtimestamp(timeStamp)
6 otherStyleTime = dateArray.strftime("%Y-%m-%d %H:%M:%S") 原文：https://www.cnblogs.com/duanlinxiao/p/9830236.html
人生苦短，唯有python是不是代码写多了自己就熟练了呢？人人网爬虫模板，具体操作以后有机会再添加吧！#coding: utf-8
import urllib2
import urllib
import cookielib
import re
def ZhihuBrower(url,user,password):#登陆页面，可以通过抓包工具分析获得，如fiddler，wiresharklogin_page = "http://www.zhihu.com/login"try:#获得一个cookieJar实例cj = cookielib.CookieJar()#cookieJar作为参数，获得一个opener的实例opener=u...
queue介绍queue是python的标准库，俗称队列.可以直接import引用,在python2.x中,模块名为Queue。python3直接queue即可在python中，多个线程之间的数据是共享的，多个线程进行数据交换的时候，不能够保证数据的安全性和一致性，所以当多个线程需要进行数据交换的时候，队列就出现了，队列可以完美解决线程间的数据交换，保证线程间数据的安全性和一致性。#多线程实战栗子（糗百）
#用一个队列Queue对象，
#先产生所有url，put进队列；...
1Robots协议Robots协议告诉了搜索引擎和爬虫那些页面可以抓取，那些不可以，通常是存放在robots.txt文件里面，位于网站的根目录下robots.txt中内容的示范：User-agent:* //表示了搜索爬虫的名称，*表示对任何爬虫都有效Disallow:/ //表示了不允许抓取的目录，/表示不允许抓取所有目录，没有写就代表允许抓取所有的目录Allow:/public/ //表示在排除Disallow中，可以抓取的目录2robotparserobotparse就是用来专门解析robots.txt文件的...
Link ExtractorsLink Extractors 是那些目的仅仅是从网页(scrapy.http.Response
' ref='nofollow'>
scrapy.http.Response 对象)中抽取最终将会被follow链接的对象?
Scrapy默认提供2种可用的 Link Extractor, 但你通过实现一个简单的接口创建自己定制的Link Extractor来满足需求?
每个LinkExtractor有唯一的公共方法是 extract_links ,它接收一个 Response' ref='nofollow'>
Response 对象,并返回一个
scrapy.link.Link 对象?Link ...
??鉴于现阶段国内的搜索引擎还用不上Google, 笔者会寻求Bing搜索来代替。在使用Bing的过程中，笔者发现Bing的背景图片真乃良心之作，十分赏心悦目，因此，笔者的脑海中萌生了一个念头：能否自己做个爬虫，可以提取Bing搜索的背景图片并设置为Windows的电脑桌面呢？Bing搜索的页面如下：
??于是在一个风雨交加的下午，笔者开始了自己的探索之旅。当然，过程是曲折的，但笔者尝试着能把它讲得简单点。
??首先，我们需要借助一些Pytho...
前面我们简述了使用Python自带的urllib和urllib2库完成的一下爬取网页数据的操作，但其实能完成的功能都很简单，假如要进行复制的数据匹配和高效的操作，可以引入第三方的框架，例如Scrapy便是比较常用的爬虫框架。 一、Scrapy的安装：1.最简单的安装方式： 根据官方主页的指导：http://www.scrapy.org/ 使用pip来安装python相关插件其实都很简单，当然用这个办法安装Scrapy也是最为简单的安装方式，仅需在命令行窗口...
request得到和浏览器数据不同数据加载是异步加载方式，原始页面不包含数据，加载完后会会再向服务器请求某个接口获取数据，然后数据再被处理才呈现到网页上，这其实就是发送了一个 Ajax 请求。这样Web 开发上可以做到前后端分离，而且降低服务器直接渲染页面带来的压力。因此遇到这种情况，用requests模拟ajax请求6.1 Ajax 1- 介绍Ajax，全称为 Asynchronous JavaScript and XML，即异步的 JavaScript 和 XML。是利用 JavaScript 在...
#!/usr/bin/python
#encoding=utf-8
import urllib2
import urllib
import re
import thread
import time class Spider(object):
def __init__(self):
self.page = 1
self.pages = []
self.enable = False
def Start(self):
self.enable = True
page = self.page
thread.start_new_thread(self.LoadPage,())
while self.enable:
...
Url管理器： 用来管理要抓取的url和已抓取的url,防止重复抓取和循环抓取，url管理器的五个最小功能: 1、添加url到容器中 2、获取一个url 3、判断url是否已在容器中 4、判断是否还有待爬取的url 5、将待爬取的url移到已爬取的url网页下载器： 网页下载器是爬虫的核心组件，它将url对应的互联网网页已html的形式保存在本地。目前有两种网页下载器，1：urllib2(python基础模块) 2:requests（...
接着上一遍，在用Selenium+phantomjs 抓取数据过程中发现，有时候抓取不到，所以又测试了用Selenium+浏览器驱动的方式：具体代码如下：#coding=utf-8import osimport refrom selenium import webdriverfrom selenium.webdriver.common.keys import Keysimport timefrom selenium.webdriver.common.action_chains import ActionChainsimport IniFileclass IEDriverCrawler: def __init__(self): #通过配置文件获取IEDrive...
