my噶地~~
学习了一段时间爬虫，了解最基本的模块。要开始连接数据库啦，遇到小问题，随笔mark。
爬虫就是在网页上解析数据，一开始只能爬到pycharm的显示栏，高级一点点的有图形化界面，可以爬取小说、文字、图片、小视频and so on，，
爬虫必备模块之urllib、urllib2、re、beautifulsoup、xpath等等
有些模块是python自带的模块，如urllib、sys、re等等，但是有些模块需要在Dos命令里面进行install，格式"pip install+模块名"
网页分为静态网页和动态网页，两者之间最大的区别大概就是后者需要与服务器进行数据交互，即与数据库有关联。
前两个用来解析网络url，譬如urllib2.openurl("这里放入需要爬取的url")，注意如果openurl()没有得到对应的html，那么恭喜你，你爬的网站做了反爬虫。
这个时候加上headers可以很好地解决这个问题。譬如headers={
‘User-Agent‘:‘这个地方注意去你要爬的网址上面找，F12+F5‘
}
过滤不需要的信息需要用到正则表达式，最基本的re.compile（“html”）是为了防止转义，提高编译效率。
过来不需要的信息可以用re.findall(req,html)，这样可以过滤你要的信息啦，比如标题，正文，甚至图片。
最近爬了一个小说网，需要将数据存储到数据库中，一般都是用mysql。python连接数据库需要安装数据库插件python2.x系列的数据库模块叫mysqldb，为了import MySQLdb不报错，可是让我惦记了两天，pip install mysql_python根本行不通！！！安装了好多不必要的插件依旧有问题！！！最好的解决办法如下:
http://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python
http://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python
http://www.lfd.uci.edu/~gohlke/pythonlibs/#mysql-python
重要的网站备份三遍！！在里面找到名为"mysql_python-1.2.5-cp27-none-win32.whl"的插件下载，操作如下所示：
！！！专治各种纠结
关于数据库的连接存储，且看下回分解。
最后摆出一个爬取某小说网站的书籍文件，参考学习：
# _*_coding:utf-8 _*_
#爬取小说网站，将数据存入数据库
#author：yangyang
#datetime:2017.6.2
import urllib2,re
import MySQLdb
domain="http://www.quanshu.net"
headers={
‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36‘
}
def getTypeList(pn=1):
req=urllib2.Request(‘http://www.quanshu.net/map/%s.html‘ %pn)
req.headers=headers #替换所有头信息
#req.add_header()#添加单个头信息
res=urllib2.urlopen(req)
html=res.read().decode(‘gbk‘)#decode解码
reg=re.compile(r‘<a href="(/book/.*?)" target="_blank">(.*?)</a>‘)
htmll=re.findall(reg,html)
return htmll
def getContent(url):
req=urllib2.Request(domain+url)
req.headers=headers
res=urllib2.urlopen(req)
html=res.read().decode(‘gbk‘)
reg=r‘<li><a href="(.*?)" title=".*?">(.*?)</a></li>‘
reg=re.compile(reg)
return re.findall(reg,html)
def getNovelcontent(url):
req=urllib2.Request(domain+url)
req.headers=headers
res=urllib2.urlopen(req)
res=res.read().decode(‘gbk‘)
reg=r‘style5\(\);</script>(.*?)<script type="text/javascript">style6\(\);‘
return re.findall(reg,res)[0]
if __name__== ‘__main__‘:
for type in range(1,10):
for url,title in getTypeList(type):
for chapter,ztitle in getContent(url):
print u‘正在爬取----------%s‘ %ztitle
contenturl= getNovelcontent(url.replace(‘index.html‘,chapter))