爬虫简单总结！-创新互联

执行Python程序

执行入门编程代码“Hello，World！”，用Python输出“Hello，World！”

    #!/usr/bin/python             是告诉操作系统执行这个脚本的时候，调用 /usr/bin 下的 python 解释器。这种用法是为了防止操作系统用户没有将 python 装在默认的 /usr/bin 路径里。当系统看到这一行的时候，首先会到 env 设置里查找 python 的安装路径，再调用对应路径下的解释器程序完成操作。

常用的第三方库

requests：是一个常用的用于http请求的模块，它使用python语言编写，
可以方便的对网页进行爬取，是学习python爬虫的较好的http
请求模块。

BeautifulSoup：是编写 python 爬虫常用库之一，主要用来解析 html
标签

import josn: 是一种轻量级的数据交换格式，易于人阅读和编写。

xwlt: 这是一个开发人员用来生成与微软Excel版本95到2003兼容的电子表格
文件的库。

mongo: 非关系型数据库
链接数据库：
./mongod *&
./mongo
pymongo

import os: OS: 模块简单的来说它是一个Python的系统编程的操作模块，
可以处理文件和目录这些我们日常手动需要做的操作。

import sys: sys模块包含了与Python解释器和它的环境有关的函数。

from pc1 import*: 导入模块，每次使用模块中的函数，直接使用函数就
可以了。注:因为已经知道该函数是那个模块中的了。

爬虫！

    1. 访问网站，拿到html网页 
    2. 提取html中我们 想要的内容 
    3. 把我们 爬到的内容 存到 数据库

下面要从网页上爬下照片到我们的数据库中！

#!/usr/bin/env python
#encoding=utf-8

用来说明你的Python源程序文件用使用的编码。缺省情况下你的程序需要使用ascii码来写，但如果在其中写中文的话，python解释器一般会报错，但如果加上你所用的文件编码，python就会自动处理不再报错。

import requests
from bs4 import BeautifulSoup
import os
url = 'http://www.stallman.org/photos/rms-working/pages/{}.html'

导入我们需要的模块及网站！

def spider(url):
list_n = range(1,149)
base_url = 'http://www.stallman.org/photos/rms-working/'

标签为页面上的所有链接规定默认地址或默认目标。

通常情况下，浏览器会从当前文档的 URL 中提取相应的元素来填写相对 URL 中的空白。

使用标签可以改变这一点。浏览器随后将不再使用当前文档的 URL，而使用指定的基本 URL 来解析所有的相对 URL。这其中包括 、、、

for i in list_n:
          print i  
          url_req = url.format(str(i))
          print url

    res = requests.get(url_req,timeout=5)
    html = res.content
    soup = BeautifulSoup(html, 'html.parser')
    img = soup.find('img')
    src =  img.get('src')

   url_image = base_url + src.split('../')[1]
   os.system('wget %s' % url_image)