python-day3爬虫基础之下载网页

今天主要学习了关于网页下载器的一些内容，下边做一下总结：

1.网页下载器，顾名思义，就是将URL所对应的网页以HTML的形式下载到本地，最终存储成本地文件或者还是本地内存字符串，然后进行后续的分析与处理；

网页下载器主要有：urllib2和requests

下边介绍下urllib下载网页的方法：

首先是引入urllib.request

然后打开我们所定义的url，最后打印出状态码（getcode的作用就获取状态码），如果状态码是200的话，就代表是正常的。运行之后的结果如下所示：

2.网页解析器：它是以下载好的html网页字符串作为输入，然后从中提取出有价值的数据以及新的URL。

其中常见的网页解析器有：正则表达式（这是一种模糊化思想，个人认为就跟搜索关键词一样）

　　　　　　　　　　　　html.parser

　　　　　　　　　　　　Beautiful Soup（比较强大且比较常用）

　　　　　　　　　　　　lxml

其中后三者主要适用于结构化解析，这里还涉及到一个词叫做DOM(Document Object Model)树，这个今天理解的不是很透彻，以后在慢慢谈。Beautiful Soup属于python的第三方库，主要是从html和xml中提取数据。

这里给大家举个例子：

在这里，节点名称就是 nav，节点属性：id=“nav” class=“clearfix”  ，节点内容：...

除此之外，今天还接触到了实例爬虫的过程：

第一步就是确定目标；第二步就是分析目标，这里边包括URL格式、数据格式以及网页编码；第三步就是编写代码了，最后执行爬虫。

今天白天帮老师干活，晚上身体有点不舒服，学的比较少，写的也比较范范，希望大家理解，如果有写的不对的，欢迎指出，大家共同学习，一起进步。