【预备知识篇】python网络爬虫初步_01
开始学习python爬虫，这部分不太好讲，网上也有足够多的教程了，这里我们先介绍爬虫基本原理、运行步骤、主要技术以及一个小案例。之后的文章，我们也将主要以爬取我们需要的数据为案例逐步介绍爬虫关键技术。
定义
网络爬虫，是一种按照一定的规则，自动的抓取万维网信息的程序或者脚本。通俗来说就是模拟用户在浏览器上的操作，从特定网站，自动提取对自己有价值的信息。主要通过查找域名对应的IP地址、向IP对应的服务器发送请求、服务器响应请求，发回网页内容、浏览器解析网页内容四个步骤来实现。
主要技术
数据采集、数据存储、动态网页爬取、APP爬取、验证码破解、模拟登陆、代理试用、爬虫框架、分布式爬取等等。 目前主流的网络爬虫工具是python，涉及的库和工具： 网页爬取：urlib、requests、aiohttp、Selenium、Splash 网页解析：re、lxml、Beautiful Soup、pyquest 数据存储：JSON、XML、CSV、MySQL、MongoDB、Redis Web组件：Flask、Tornado 处理反爬：Tesserocr、ADSLProxy、ProxyPool、PookiesPool APP爬取：Charles、mitmproxy、mitmdump、Appium 爬虫框架：pyspider、Scrapy、Scrapy-Redis、Scrapy-Splash 管理部署：Docker、Scrapyd、Scrapyd-API、Scrapyd-Client、Gerapy
基本的爬虫工作原理
这部分就不再细讲，感兴趣的同学可以看了一下：
https://www.cnblogs.com/zsychanpin/p/7066245.html
网络爬虫的基本工作流程例如以下：
1.选取种子URL； 2.将这些URL放入待抓取URL队列； 3.从待抓取URL队列中取出待抓取在URL。解析DNS，而且得到主机的ip，并将URL相应的网页下载下来，存储进已下载网页库中。 4.分析已抓取URL队列中的URL，分析当中的其它URL，而且将URL放入待抓取URL队列，从而进入下一个循环。
实例
原理听起来比较枯燥，下面我们就先用一个实例来说明一下爬虫的过程，当然这是一个非常简单的小案例，如果将来想要更加复杂的目标，涉及的技术就多了。 最近关注银行股，想要获取某一只银行股当前的市盈率是多少，这就是我们的目标了。这里我们用requests+xpath来实现
首先，我们的信息源是东方财富网，以浦发银行[代码：sh600000]为例
用Chrome浏览器审查元素
我们用xpath的绝对定位方法，把id=gt6-2的部分摘出来。
path即为//*[@id="gt6_2"
源代码如下：
#-*- coding:utf-8 -*-
import requests
from lxml import etree
url = 'http://quote.eastmoney.com/sh600000.html'
content = requests.get(url).content
# 用etree.HTML()解析对象
html = etree.HTML(content)
# 右键copy.Xpath复制后，通过etree.xpath()函数调用
pe=html.xpath('//*[@id="gt6_2"]')
print(pe[0].text)运行结果： 5.54