博主本人在以前就挺好奇知乎那群答主的答案数据从哪里的， 别人说是从网上爬的（搞安全的同学例外）。由于本人最近比较闲的，所以就起了学习写网络爬虫的心思（所以兴趣很重要！）。打开浏览器，百度了下网络爬虫，什么用python写网络爬虫的的比较多，所以就用它了(好随便的赶脚). 然后我开始搜索有关用python写的网络爬虫的网络博客（主要是入门的教程指导类 ），看了下博客，怎么说呢，网上各博客主个个实力都不错，知识结构都非常的清晰，讲解的都非常细致，非常浅显易懂，但总感觉少了点什么，仔细想了下应该是大部分博客都注重知识本身，而轻视获取知识的过程（我觉得这个最有意思），没啥成就感，自我感觉挺无聊（总感觉有天朝教育的影子，我写你抄）。所以准备换个角度，从学习者角度写一些自认为有意思的东西。
言归正传，在接触网络爬虫这个名词，我的第一反应是它是啥东东，它能干啥，该怎么做（。。。怎么感觉像在读书时在写论文。。。）。当然你可以百度，想了下还是不要贴百度的定义（不要打我），先说下自己对这个专业术语的理解吧,由于博主也才学几天理解非常浅薄，希望各位读者理解，我个人认为：网络爬虫就是个定制化的互联网信息采集程序（当然，以后可能有不同的理解，认知总不断变化地。）。它能够针对性对各网站的信息进行提取和分类（比如我要想知道淘宝有多少家店铺，各店主都是些谁怎么办，你就运用爬虫技术爬取整个淘宝网）。说了这么多废话，主要是希望大家对新事物有自己的见解，也希望读者老爷们多点耐心（这个话痨。。。。）
这次是真的“言归正传”，作为一个目标驱动型的学习者，我十分喜欢在学习一个新东西前制定“作战计划”，在做的过程中去学习，而不是学完后在做。比如我想去爬取糗事百科所有用户的用户名，我该怎么做呢？有人说，先把python语法会用后，在学urllib或 requests之类的库学会http请求的啥，然后去学正则表达或 Beautiful Soup，lxml 之类的库去解析啥，可能你还有去学一些前端的一些东西，比如html css，xml 之类的东东，接着还要去学一些mysql 或oracle，sqlite ，sqlserver之类数据库操作一些东东，我的天啊 ，我只是想知道知道怎么爬糗事百科网的用户名，怎么还要学这么多，许多人看着这长长的学习路线傻眼了，然后就gg了。所以，让我们回到最初的起点，从实际问题出发。首先，不去管用啥语言，会啥语法，不要去学啥urllib， lxml，xml ，mysql 之类的东东，先仔细分析下如何去爬取糗事百科所有用户的用户名这个实际问题。
先想一下你是如何知道糗事百科网的别人的用户名，有人说，那还不简单，百度搜下糗事百科，打开糗事百科官网 https://www.qiushibaike.com/ ，不就看到了吗。对！就是这样简单，所有爬虫程序所干的事情都是这样的，它也是打开一个网站，然后根据所设规则提取出我们所需要的信息，然后保存下来 ，只不过一个是通过人眼看到，一个是爬虫程序自动提取信息，一个是记在脑子里（可能过下就忘了），一个是保存在磁盘中（你只要不删除，估计大概可能能保持20，30年）。虽然方式有所不同，但是他们的思想是共通的。简单来讲，就三步，打开网页-提取信息-保存信息。
那么，如何让程序能打开我们想要的网站呢？你可以试着通过百度搜下，比如什么“如何用python打开网站之类的”，"python 打开网站的几种方式“ 之类的关键字，当然，你也可以去论坛csdn，知乎等论坛提问。我当时试着搜索下，搜到了这个网站 http://blog.csdn.net/Winterto1990/article/details/47660543 。这个网站介绍了四种方法，这里就第一种为例子 ,代码如下：
import urllib url="http://www.baidu.com" #这里是需要获取的网页 content=urllib.open(url).read() #使用urllib模块获取网页内容 print content #输出网页的内容 功能相当于查看网页源代码
在运行之前 ，先简单说下，我的python版本是2.7.12，所用的ide（集成开发环境）是pycharm，至于如何下载这两软件可以参考下面两个网站：一个是python的官网： https://www.python.org/downloads/ ；一个是pycharm的官网： https://www.jetbrains.com/pycharm/ ，下载教程链接：http://blog.csdn.net/qq_29883591/article/details/52664478
好了。运行开始。。。。。。，怎么运行不起！，这不科学啊！
先别急，看一下ide提示啥（哈 都是e文，和我一样英文弱的同学快去背单词吧，你会收益终身），大概意思是这个文件不是 ascii，没有设置文件编码 。打开百度 ，输入如下关键字”如何为python设置文件编码“之类，你就可以知道在文件开头原来还需要设置这一句”# -*- coding: utf-8 -*-“
让我们加上这一句开始运行，代码如下：
# -*- coding: utf-8 -*- import urllib url="http://www.baidu.com" #这里是需要获取的网页 content=urllib.open(url).read() #使用urllib模块获取网页内容 print content #输出网页的内容 功能相当于查看网页源代码
坑啊 ，怎么还是运行不起来 。。。我了个擦
冷静，冷静， 冷静啊 ，看一下ide提示啥 AttributeError: ‘module‘ object has no attribute ‘open‘ ，大概意思是说属性错误：“模块”对象没有属性“open” ，这他喵的啥意思。这个时候你应该想这还不简单，直接把这句话复制到百度里搜下不就行了，我当时就是这样想在，然后浪费了10几分钟一无所获，最后只能自己解决了。 我又是怎么解决的呢？首先 ，通过这个ide提示我知道了错误出在这一句代码上 content=urllib.open(url).read() ， 然后我开始重新审视这端代码 ，从字面上看，这句话的意思是用urlib这个东西打开这个网站 ，然后在读取这个网站的内容，所以问题要么出在打开这个网站 上，要么是在读取上。接着 ，我就手动输入urllib. ,神奇的事情发生了（后来才知道是代码自动补全），出现了如下界面，我看了这个urlopen 想了想， 试不试可以用这个来试下,果然成功了！（兴奋了）
完整代码：
# -*- coding: utf-8 -*- import urllib url="http://www.baidu.com" #这里是需要获取的网页 content=urllib.urlopen(url).read() #使用urllib模块获取网页内容 print content #输出网页的内容 功能相当于查看网页源代码
接着，我们开始打开糗事百科页面，替换下网址就行：
# -*- coding: utf-8 -*- import urllib url="https://www.qiushibaike.com/" #这里是需要获取的网页 content=urllib.urlopen(url).read() #使用urllib模块获取网页内容 print content #输出网页的内容 功能相当于查看网页源代码
开始运行。 又有错了 ！
老规矩，先看提示
