初识爬虫（0）
untitled.png
爬虫的这些文章就算是我的复习吧！今天开始！！
什么是爬虫？
老师说，本质上就是利用程序在网上获得对我们有价值的数据。
我个人理解：
1、“虫”
爬虫就是这些能够让我们获得数据的一类小程序，就是个工具。希望能够掌握好，做一个遵守互联网伦理道德的虫虫。
2、“网”
对互联网，html要有认识，才能掌握好工具。
浏览器的工作原理（5步）：
在浏览器输入网址（也可以叫URL）---- 浏览器向服务器传达了我们想访问某个网页的需求（请求）---- 服务器把想要的网站数据发送给浏览器（响应）---- 浏览器会把这些用计算机语言写的数据翻译成你能看得懂的样子（解析数据）---- 我们在拿到的数据中挑选出对我们有用的数据（提取数据）---- 我们（存储数据）。
爬虫可以干什么？
上述人机互动的过程中，爬虫可以帮助我们完成绝大部分工作：
1、爬虫可以模拟浏览器去向服务器发出请求；
2、服务器响应后，爬虫程序还可以代替浏览器帮我们解析数据；
3、爬虫可以根据我们设定的规则自动批量提取相关数据；
4、爬虫可以批量地把数据存储到本地。
所以，人除了起心动念，有逻辑地设计好规则后，剩下的爬虫都能替我们干了。想想都舒服！
知识点1：requests库
用途：
获取数据
requests库可以帮我们下载网页源代码、文本、图片，甚至是音频（“下载”本质上是向服务器发送请求并得到响应）。
requests.get()方法
用法举例：
import requests #引入requests库
res = requests.get('URL')
#requests.get是在调用requests库中的get()方法，它向服务器发送了一个请求，括号里的参数是所需数据所在的网址，然后服务器对请求作出了响应。响应返回的结果赋值在变量res上
知识点2：Response对象的常用属性
因为Python是一门面向对象编程的语言。在爬虫中，理解数据是什么对象非常、特别、以及极其重要。只有知道了数据是什么对象，才知道对象有什么属性和方法可供我们操作。
判断数据的对象类型方法是：
import requests
res = requests.get('https://res.pandateacher.com/2018-12-18-10-43-07.png')
print(type(res)) #打印变量res的数据类型
其结果是：<class 'requests.models.Response'>。这代表着：res是一个对象，属于requests.models.Response类。res是一个Response对象，我们也就可以去了解它的相应属性和方法了。
Response对象的常用属性
1、response.status_code
作用：
检查请求是否成功
举例：
import requests
res = requests.get('https://res.pandateacher.com/2018-12-18-10-43-07.png')
print(res.status_code) #打印变量res的响应状态码，以检查请求是否成功
1.png
2、response.content
作用：
能把Response对象的内容以二进制数据的形式返回，适用于图片、音频、视频的下载
举例：下载一张图片
import requests # 引入requests库
res = requests.get('https://res.pandateacher.com/2018-12-18-10-43-07.png') # 发出请求，并把返回的结果放在变量res中
pic = res.content # 把Reponse对象的内容以二进制数据的形式返回
photo = open('ppt.jpg','wb') # 新建一个文件ppt.jpg，这里的文件没加路径，它会被保存在程序运行的当前目录下。图片内容需要以二进制wb读写。在python基础中open()函数里接触过。
photo.write(pic) # 获取pic的二进制内容
photo.close() # 关闭文件
3、response.text
作用：
可以把Response对象的内容以字符串的形式返回，适用于文字、网页源代码的下载。
举例：下载小说
import requests #引用requests库
res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/sanguo.md') #下载《三国演义》第一回，我们得到一个对象，它被命名为res
novel=res.text #把Response对象的内容以字符串的形式返回
print(novel[:800]) #打印小说（考虑到整章太长，只输出800字）
4、response.encoding
作用：
能帮我们定义Response对象的编码
举例：
import requests #引用requests库
res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/sanguo.md') #下载《三国演义》第一回，我们得到一个对象，它被命名为res
res.encoding='gbk' #定义Response对象的编码为gbk
novel=res.text #把Response对象的内容以字符串的形式返回
print(novel[:800]) #打印小说的前800个字
其打印出来的结果是乱码。因为原题目当中设置的编码规则默认为utf-8，如果硬要以gbk形式定义它，就会出现最终的乱码结果。
使用条件：
只有当结果显示为乱码时，才返回来试验以其他编码方式定义并确认结果。
Robots协议
是互联网爬虫的一项公认的道德规范，它的全称是“网络爬虫排除标准”（Robots exclusion protocol），这个协议用来告诉爬虫，哪些页面是可以抓取的，哪些不可以。
协议使用方法
查看网站的robots协议，在网站的域名后加上/robots.txt就可以了。
协议里最常出现的英文是Allow和Disallow，Allow代表可以被访问，Disallow代表禁止被访问。
好吧！出发，冲浪去（胆子够大，给自己点赞）！
