一、什么是爬虫

爬虫就是获取网页并提取和保存信息的自动化程序。

1）我们可以把互联网比作一张大网，而爬虫（网络爬虫）便是在网上爬行的蜘蛛。把网的节点比作一个个网页，爬虫爬到这就相当于访问了该页面，获取了其信息。可以把节点间的连线比作网页与网页之间的链接关系，这样蜘蛛通过一个节点后，可以顺着节点连线继续爬行到达下一个节点，即通过一个网页继续获取后续的网页，这样整个网的节点便可以被蜘蛛全部爬行到，网站的数据就可以被抓取下来了。

2）虽然不使用爬虫我们通过手工方式也可以提取网页中的信息，但是当量特别大或者想快速获取大量数据的话，肯定还是要借助程序的。爬虫就是代替我们来完成这份工作的自动化程序，它可以在抓取过程中进行各种异常、错误重试等操作，确保爬取持续高效地运行。

二、爬虫爬虫的过程

1、获取网页
爬虫首先要做的工作就是获取网页，也就是获取网页的源代码，然后从源代码中提取想要的信息。
一般情况下，向网站服务器发送一个请求，返回的响应体就是网页源代码。为了构造请求并发送给服务器，然后接收到响应并将其解析出来，Python提供了许多库来帮助我们实现这个操作，如urllib，request等。我们可以用这些库来帮助我们实现HTTP请求操作。

2、提取信息
获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据。提取方法有两种：

• 采用正则表达式提取，这是一个万能的方法，但是在构造正则表达式时比较复杂且容易出错。
• 由于网页的结构有一定的规则，所以还有一些根据网页节点属性、CSS选择器或Xpath选择器来获取网页信息的库，如Beautiful Soup、pyquery、lxml等。使用这些库可以高效快速地从中提取网页信息，如节点的属性、文本值等。

3、保存数据
提取信息后，一般会将提取到的数据保存到某处以便后续使用。保存形式多种多样，可以简单保存为TXT文本或JSON文本，也可以保存到数据库，如MySQL和MongoDB等，也可以保存至远程服务器，如借助SFTP进行操作。