此处的爬虫并不是百度或者google这样需要沿着某条路径采集互联网上所有信息的机器人，而是针对某个特定的网页，从中提取出大家需要的信息。比如大家在中关村上查到了一台手机的详情页，想把其中的cpu信息、操作系统、分辨率等等字段提出出来。即此处的爬虫是指针对特定网页结构、规模很小、抓取路径收敛的情况而言。下文大家以一个实例，看看如何从头写一个python爬虫。
抓取页面基本方法
浏览器中看到的页面，实际上是通过一系列的http请求加载并渲染服务器的资源。同理只要大家能够用python发出http请求，通过get或post的方法获得服务器返回的html片段、html页面或json数据串，就可以从中抓取到想要的内容。
python中对http请求的封装是在urllib和urllib2两个库里。
urllib提供了一些工具方法，用于对发送请求时的字符串进行转义或编码。
发送get/post请求则需要用到urllib2中提供的几个类
在掌握了如何在python中构造http请求后，下一步需要做的就是结合具体的网页，分析出web页面的请求方式、参数传递方式和必要的header信息（如cookie等）。chrome控制台的network分析基本上可以满足需求，但一款抓包利器无疑可以提升大家的效率。推荐使用fiddler进行抓包和解包，可以更清晰第看到http中所用的不同请求方式。
字符串查找、正则表达式、html解析
http请求的response通常包含两种：json字符串，或html代码片段，信息的提取就转变成了字符串处理。此时无论是通过字符串查找、正则表达式匹配，只要能定位到目标字段即可。
但更好的方法是对html的Dom树进行解析，尤其是存在多个目标字段需要抓取时，解析html的方式能够对特殊格式的字段信息进行批量解析。
这里使用python自带的htmlparser进行解析，htmlparser对html片段进行深度优先的遍历，在遍历的过程中可以识别出开始标签、结束标签和标签中的内容，因此提供了一种基于标签tag的编程方式。看下面的例子
需要提取手机的操作系统、核心数、cpu型号等信息，根据html的标签、属性名称，代码如下：
针对中关村上的某个手机详细
handle_data可以提取html标签中的数据，但handle_data存在两个问题。
（1）当标签内容为空时，handle_data自动跳过该标签。这里的标签为空是指标签中不包含任意字符串内容、不包含其他的子标签。注意，当标签中含有&nb等空白字符串时，handle_data可以解析出其中的data。比如以下结构中，电话号码一列允许为空，通过html_parser解析后只得到4个<td>的标签内容。
由于会跳过内容为空的标签的解析，就会打乱html的结构，由于数据的缺失返回的list长度不定，导致无法将list中每项内容与html中的内容对应起来。
（2）标签中包含子标签时，内容会被分割到不同的handle_data函数中，比如
由于handle_data是针对每个标签返回数据，以上的td里包含了一个span子标签，handle_data分为2次返回数据。即第一次调用handle_data返回状态：，第二次调用handle_data返回已拒绝。大家希望<td>标签中的内容作为整体返回，而现在被分割成了两块，同样会破坏结构。
解决以上两个问题的关键方法在于，使用cache缓存字符串，把对数据的处理从handle_data推迟到handle_endtag。只有遇到end_tag时，才能确定标签闭合，使数据完整。
爬虫被屏蔽后怎么办
服务器会通过一些策略屏蔽恶意爬虫，以避免对服务器资源的消耗，如检查同一IP的访问频率、访问间隔等。
所以大家也应该使用一些简单策略，使大家的爬虫看起来更像是人的行为，以绕开服务器的检测机制。常用的方法包括延长相邻请求的间隔，相邻间隔使用随机时长。
在请求的header字段中包含了user-agent字段，服务器通过检测user-agent字段确定客户端的类型。如果不指定user-agent字段，请求时脚本会默认填充该字段，如下图
# python中默认的user-agent字段
网上有一些说法user-agent的值会影响爬虫是否能够抓取web内容，为了避免爬虫被屏蔽，将user-agent的值设为浏览器的类型：Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36
但在实际抓取的几个web站点中，user-agent的值对爬虫被屏蔽没有影响，在使用时不用刻意设置user-agent的值。
以上的方法都是避免爬虫被屏蔽掉。但万一很不幸爬虫已经被屏蔽了，发出请求返回的结果是输入验证码的页面，此时该如何解决呢？
对于支持https协议的站点，此时可以尝试的一种方案是：改用https协议。
项目中遇到爬虫被百度屏蔽的现象，尝试了很多方法都无效。后来将原来链接中的http协议换成https爬虫又开始工作了。原理虽然不清楚，但简单可行。
带验证码的登录
很多web内容只有在登录后才有权限访问，服务器通过创建session并下发sessionid来维持与客户端的链接状态。客户端在每次发送请求时，都在cookie中携带sessionid等字段信息。sessionid是无法复用的，也即在浏览器中登录后所获得的sessionid直接拿到python脚本中使用，返回的结果仍然是跳转到登录页面的。因为通过http下发的sessionid是捆绑到端口号的，也就是与服务器维持通信的是客户端上的某个进程，把浏览器中的sessionid拿到python脚本中，由于更换了进程sessionid当然失效了。
既然无法绕开登录，大家就在python脚本中完成登录的过程，拿到登录后返回的cookie、sessinoid等。这里有两个难点需要解决，1）服务器登录逻辑的分析与猜测；2）解决登录时存在的验证码识别问题。
登录除了需要post提交用户名、密码和sessionid之外，通常也会隐式提交部分参数，可以用chrome浏览器的调试模式查看post提交的参数及对应的值，登录成功之后，大家就可以拿到返回的cookie值了。
登录时的验证码可以通过OCR自动识别，尝试了google的tesseract-ocr准确率并不高。所以推荐手动输入验证码，帮助爬虫完成登录，毕竟授权只需要一次输入。
手动输入验证码的思路如下，在请求sessionid的同时保存验证码的图片，人工读取验证码的内容，与username和password一起提交。示例代码如下：
需要抓取javascript加载的结果
详细参考外部链接：https://impythonist.wordpress.com/2015/01/06/ultimate-guide-for-scraping-javascript-rendered-web-pages/
这篇文章中的思路是，通过使用web kit library建立本地的javascript执行环境，模拟浏览器对页面的加载渲染，从而抓取javascript处理后的页面内容。
这个例子中javascript所加载的结果，也是通过ajax重新向服务器发起请求返回的，直接发送ajax请求并抓取结果即可。在本地搭建javascript的执行环境有些画蛇添足，但也是一种可以参考的思路。
本文总结了使用python自带库完成爬虫的方法，并且列出了爬虫在实际中可能遇到的几个问题，比如爬虫被屏蔽、需要输入验证码进行登录等。实践中的难点在于分析和猜测服务器的登录逻辑，并且提取必需的参数完成登录鉴权。