Python爬虫入门[spider]
1，交换机制：
服务器与本地的交换机制：
http协议：客户端与服务器一种会话的方式。
客户端-------[requests[请求]]------->服务器
客户端-------[response[响应]]------>服务器
HTTP请求：
向服务器请求的时候使用request请求，包含了很多的不同的方法：主要用到[GET、POST]
HTTP响应：
向服务器提出request之后，服务器会返回给我们一个Response[我们请求的这个网页]
RESPONST：
Status_code：[状态码]200 网页中的元素
Status_code：[状态码]403/404
可以打开谷歌，加载一个网站然后点击检查>>>nerwork>>>刷新
2，网页解析：
1.网页解析：需要使用到[bs4]
from bs4 import BeautifulSoup
import requests
#解析网页内容
url = "https://www.baidu.com"
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text,'lxml')
print(soup)
2.描述要爬取的元素位置：
eg：标题[在网页中找到它在的位置] >>>右键复制selector
titles = soup.select('#sy_load > ul:nth-child(2) > li:nth-child(1) > div.syl_info > a')
print(titles)
解释：
#sy_load > ul:nth-child(2) > li:nth-child(1) > div.syl_info：标签的位置：selector
a：查找a标签
向上查找[上级标签]class名：
titles = soup.select('div.syl_info> a')
print(titles)
解释：
div.syl_info 标签的class名
a：查找a标签
3.bs4中具有一个BeautifulSoup安装方法：
1.安装：pip install beautifulsoup4
2.可选择安装解析器：
pip install lxml [一般安装这个即可]
pip install html5lib
3.使用：
from bs4 import BeautifulSoup
import requests
req_obj = requests.get('https://www.baidu.com')
soup = BeautifulSoup(req_boj.txt,'lxml')
不使用BeautifulSoup，只返回状态码
使用BeautifulSoup，会将站点，html代码返回。
4.经常使用到的一些方法：
from bs5 import BeautifulSoup
import requests,re
a = requests.get('https://www.baidu.com')
b = BeautifulSoup(a.txt,'lxml')
print(b.title) 输入title找标签只找一个
print(b.find('title')) 输入title找标签只找一个
print(b.find_all('div')) 找所有div标签
c = soup.div 创建div的实例化
print(c['id']) 查看标签的id属性
print(c.attrs) 查看标签的所有属性
d = soup.title 创建title的实例化
print(d.string) 获取标签里的字符串
e = soup.head 创建head的实例化
print(e.title) 获取标签，再获取子标签
f = soup.body 创建body实例化
print(f.contents) 返回标签子节点，以列表的形式返回
g = soup.title 创建title实例化
print(g.parent) 查找父标签
print(soup.find_all(id='link2'))
3，爬虫所需的模块和库：
库：requests.bs4
模块：BeautifulSoup
1.抓取：requests
2.分析：BeautifulSoup
3.存储：
4.目录扫描工具原理实战：
import requests
import sys
url = sys.argv[1]
dic = sys.argv[2]
with open(dic,'r') as f:
for i in f.readlines() 一行读取
i = i.strip() 去除空格
r = requests.get(url+i)
if r.stats_code == 200:
print('url:'+r.url)
