test

Author: lining0806

ReadMe.md

@@ -1,15 +1,15 @@
 # Python入门网络爬虫之精华版
 
-Python学习网络爬虫主要分3个大的版块：**抓取**，**分析**，**存储**
-另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也介绍一下。
+Python学习网络爬虫主要分3个大的版块：**抓取**，**分析**，**存储**  
+另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也介绍一下。  
 先列举一下相关参考：[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/)
 ***
 
 ## 抓取
 这一步，你要明确要得到的内容是是什么？是HTML源码，还是Json格式的字符串等等。  
 
 #### 1. 最基本的抓取  
-一般属于get请求情况，直接从服务器上获取数据。
+一般属于get请求情况，直接从服务器上获取数据。  
 首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，[requests](https://github.com/kennethreitz/requests)也是非常有用的包，与此类似的，还有[httplib2](https://github.com/jcgregorio/httplib2)等等。  
 ```
 Requests：
@@ -31,7 +31,7 @@ Httplib2：
 	print "response headers:", response_headers # dict
 	print "content:", content
 ```
-此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。
+此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。  
 ```
 data = {'data1':'XXXXX', 'data2':'XXXXX'} # dict类型
 Requests：data为dict，json
@@ -46,7 +46,7 @@ Urllib2：data为string
 
 ### 2. 对于反爬虫机制的处理  
 ** 2.1 模拟登陆情况 ** 
-这种属于post请求情况，先向服务器发送表单数据，服务器再将返回的cookie存入本地
+这种属于post请求情况，先向服务器发送表单数据，服务器再将返回的cookie存入本地。  
 ```
 data = {'data1':'XXXXX', 'data2':'XXXXX'} # dict类型
 Requests：data为dict，json
@@ -59,7 +59,7 @@ Urllib2：data为string
 	response = urllib2.urlopen(req)
 ```
 ** 2.2 使用cookie登陆情况 **
-使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。
+使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。  
 ```
 import requests			
 requests_session = requests.session() # 创建会话对象requests.session()，可以记录cookie
@@ -88,7 +88,7 @@ Urllib2：
 ```
 
 ### 3. 使用代理
-适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。
+适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。  
 ```
 proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
 Requests：
@@ -126,17 +126,17 @@ def multi_open(opener, *arg):
 			print '.',
 			retryTimes -= 1
 ```
-这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。
+这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。  
 
 ### 5. 多进程抓取  
 这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行多进程的实验对比：[Python多进程抓取](https://github.com/lining0806/Spider_Python) 与 [Java多进程抓取](https://github.com/lining0806/Spider)
 相关参考：[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/)
 
 ### 6. 对于Ajax请求的处理  
-对于“加载更多”情况，使用Ajax来传输很多数据。它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。
-这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程
-* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。
-* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码
+对于“加载更多”情况，使用Ajax来传输很多数据。它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。  
+这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。  
+* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。  
+* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。  
 参考项目：[Python多进程抓取](https://github.com/lining0806/Spider_Python)
 
 ### 7. 验证码识别
@@ -146,19 +146,19 @@ def multi_open(opener, *arg):
 2. 使用cookie登陆。
 3. 验证码识别。
 
-使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。
-可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。如果不成功，可以再次更新验证码识别，直到成功为止。
+使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。  
+可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。如果不成功，可以再次更新验证码识别，直到成功为止。  
 参考项目：[Captcha1](https://github.com/lining0806/Captcha1)
 
 
 ## 分析
-抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。
-常见的分析工具有[正则表达式](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)等等。
+抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。  
+常见的分析工具有[正则表达式](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)等等。  
 
 ## 存储
-分析出我们需要的内容之后，接下来就是存储了。
-我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。
+分析出我们需要的内容之后，接下来就是存储了。  
+我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。  
 
 ## Scrapy
-Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。
-相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)
+Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。  
+相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)