什么是爬虫？

爬虫是什么呢，就是地上爬的小虫子，就是爬虫咯。呵呵，开个玩笑，一般说的爬虫都是网络爬虫。那什么是网络爬虫呢，百度百科的解释是这样子的：

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

额，这一大坨，总结来说就一句话，就是从某个网站上获取某些你想要数据，然后保存起来。

爬虫能干嘛？

爬虫可以帮你爬到你想要的东西，比如说你想下载某个网站上面的图片、小视频、文章、文件，或者说你们公司想获取到对手公司网站上的一些数据用来分析市场，或者想要获取某一类网站用户的行为，用来分析用户的以后的走向，都可以用爬虫来获取到数据。再比如说你要做个什么内容类的app，类似今日头条的，那它里面的这些内容从哪里来的，它就是用爬虫，爬各种网站上热点新闻、八卦信息等等，再经过自己的加工放给用户去看。

爬虫的原理和实质

咱们要从一个网站下载一个图片的话怎么办，要浏览器里面打开这个网站， 然后右键保存图片到本地。

那爬虫呢，就是写代码把上面的这个过程自动化，自动帮咱们做这个操作，不需要咱们再手动点了。这就是爬虫的原理。

爬虫的实质呢，就是写代码发http请求（浏览器里面打开发送的都是http请求），然后获取到response，咱们再从response里面找到想要的数据，存储到本地。

什么是爬虫协议？

爬虫协议就是你想用爬虫爬我的网站，那么你得听我的，哪些你能爬，哪些你不能爬。

怎么查看一个网站的爬虫协议呢，就在这个网站的域名后面加上robots.txt

比如说下面有：jd、百度、淘宝的爬虫协议

jd：https://www.jd.com/robots.txt

淘宝的：https://www.taobao.com/robots.txt

百度的：https://www.baidu.com/robots.txt

如果你要爬的网站域名加上robots.txt是404，那你就可以随心所欲的爬了。

不过就算爬虫协议里面写了，你也可以不遵守，但是也得注意一下，有的公司发现的话，会起诉的。比如说前几年著名的百度控诉360爬虫违反爬虫协议，赔偿70w。

爬虫协议里面有这么几个字段：

什么是反爬虫？

因为会有一些恶意的人，恶意的去用爬虫爬咱们的系统，获取一些数据用来做一些不好的事情，这样就会咱们的网站造成危害。

反爬虫就是干这个事的，网站后台有程序专门检测发这个请求是爬虫发的，还是用户的正常请求（发请求就是打开一个页面），如果是爬虫发的话，那么就不给它返回数据，这就是反爬虫。

当然有反爬虫那就有针对反爬虫的策略，就是看谁技术高低的问题了~

Scrapy是python开发的一个爬虫框架，如果你要学习它的话，可能第一步在安装的时候，就会遇到很多问题，因为Scrapy很多模块都是基于linux下的，可能你在mac上或者linux上面安装的时候，不会有什么问题，但是Windows上面安装的话，可能会有各种各样的问题。

这里我就把遇到的问题整理下，怎么解决。

1、直接安装 pip install scrapy

2、安装的时候scrapy它要依赖很多其他的模块，一般都是其他的模块安装的时候会报错，因为pip安装的版本和实际的操作系统需要的版本对应不上，比如说twisted

3、在pip安装scrapy的时候，他会自动安装其他依赖的模块，安装到哪个模块报错了，它会停止安装，看下面的图，就在安装twisted的时候报错了

4、打开https://www.lfd.uci.edu/~gohlke/pythonlibs/，找到安装报错的模块，手动下载对应操作系统的安装包，手动安装。

https://www.lfd.uci.edu/~gohlke/pythonlibs/这个网站是美国一个医科大学的网站，他这个里面有很多python第三方模块的安装包，打开这个网站之后，咱们要装twisted，就直接搜twisted就可以了，可以看到有好几个安装包，根据自己的python版本和操作系统版本下载就好了，看下面的图。

6、下载之后它是一个whl的文件，也是直接用pip安装就行了

7、重复第一步

基本上安装scrapy出现的错误，都是因为单个依赖包有问题导致的，用此方法可以解决大部分问题