1、抓取网页本身的接口
此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如requests，mechanize
2、网页抓取后的处理
抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。如果你想学习python可以来这个群，首先是四七二，中间是三零九，最后是二六一，里面有大量的学习资料可以下载。
life is short, you need python.
ps：python2.x和python3.x有很大不同，本文只讨论python3.x的爬虫实现方法。
url管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器。
网页下载器（urllib）：爬取url对应的网页，存储成字符串，传送给网页解析器。
网页解析器（beautifulsoup）：解析出有价值的数据，存储下来，同时补充url到url管理器。
添加新的url到待爬取url集合中。
判断待添加的url是否在容器中（包括待爬取url集合和已爬取url集合）。
获取待爬取的url。
判断是否有待爬取的url。
将爬取完成的url从待爬取url集合移动到已爬取url集合。
1、内存（python内存）
待爬取url集合：set()
已爬取url集合：set()
urls(url, is_crawled)
待爬取url集合：set
已爬取url集合：set
大型互联网公司，由于缓存数据库的高性能，一般把url存储在缓存数据库中。小型公司，一般把url存储在内存中，如果想要永久存储，则存储到关系数据库中。如果你想学习python可以来这个群，首先是四七二，中间是三零九，最后是二六一，里面有大量的学习资料可以下载。
将url对应的网页下载到本地，存储成一个文件或字符串。
新建baidu.py，内容如下：
命令行中执行<code>python baidu.py</code>，则可以打印出获取到的页面。
上面的代码，可以修改为：
新建baidu2.py，内容如下：
我们想要查看一下，我们的请求是否真的携带了参数，所以需要使用fiddler。
打开fiddler之后，却意外发现，上面的代码会报错504，无论是baidu.py还是baidu2.py。
虽然python有报错，但是在fiddler中，我们可以看到请求信息，确实携带了参数。
然而，然而，然而。。。神转折出现了！！！
从网页中提取出有价值的数据和新的url列表。
为了实现解析器，可以选择使用正则表达式、html.parser、beautifulsoup、lxml等，这里我们选择beautifulsoup。
其中，正则表达式基于模糊匹配，而另外三种则是基于dom结构化解析。
1、安装，在命令行下执行<code>pip install beautifulsoup4</code>。
1、创建beautifulsoup对象
2、访问节点
3、指定tag、class或id
4、从文档中找到所有<code><a></code>标签的链接
出现了警告，根据提示，我们在创建beautifulsoup对象时，指定解析器即可。
5、从文档中获取所有文字内容
6、正则匹配
python爬虫基础知识，至此足够，接下来，在实战中学习更高级的知识。