网络爬虫是一种循序渐进的方式通过获取网页内容饼检查页面内容从而找到URL链接，接着再去找寻下一个URL然后获取 URL对应的网页内容，不断循环这一过程。

遍历单个域名

以抓取维基百科的Kevin Baco为例，实现简单的数据爬取。代码如下：

from urllib.request import urlopen
from bs4 import BeautifulSoup html = urlopen('http://en.wikipedia.org/wiki/Kevin_Bacon')
bs = BeautifulSoup(html, 'html.parser')
for link in bs.find_all('a'):if 'href' in link.attrs:print(link.attrs['href'])

上述代码就获取维基百科网站的任何页面并提取页面链接。去掉我们不需要的词条，进行改进获取词条链接。代码如下：

from urllib.request import urlopen 
from bs4 import BeautifulSoup 
import rehtml = urlopen('http://en.wikipedia.org/wiki/Kevin_Bacon')
bs = BeautifulSoup(html, 'html.parser')
for link in bs.find('div', {'id':'bodyContent'}).find_all('a', href=re.compile('^(/wiki/)((?!:).)*$')):if 'href' in link.attrs:print(link.attrs['href'])

如果我们要做到一个函数getLinks，可以用维基百科词条/wiki/<词条名称>形式的URL链接作为参数，然后以同样的形式返回一个列表，里面包含所有的词条 URL 链接。一个主函数，以某个起始词条为参数调用getLinks，再从返回的URL列表里随机选择一个词条链接，再调用 getLinks，直到我们主动停止，或者在新的页面上没有词条链接了，程序才停止运行。

完善后代码如下：

from urllib.request import urlopen
from bs4 import BeautifulSoup
import datetime
import random
import rerandom.seed(datetime.datetime.now())
def getLinks(articleUrl):html = urlopen('http://en.wikipedia.org{}'.format(articleUrl))bs = BeautifulSoup(html, 'html.parser')return bs.find('div', {'id':'bodyContent'}).find_all('a', href=re.compile('^(/wiki/)((?!:).)*$'))links = getLinks('/wiki/Kevin_Bacon')
while len(links) > 0:newArticle = links[random.randint(0, len(links)-1)].attrs['href']print(newArticle)links = getLinks(newArticle)

遍历整个网络

采集整个网站，那是非常耗费内存资源的过程，尤其是处理大型网站时，最合适的工具就是用一个数据库来储存采集的资源。

遍历整个网络的数据好处：可以生产网站地图，收集网站数据等。但是一般不会消耗大量的内存资源去做采集，本节的意义不大。

通过互联网采集

建立网络地图，需要从一个链接跳转到另一个链接，逐步建立网站的地图信息，从而达到一个合适的网站地图，于此同时我们也不能忽略外链，从一个链接跳转到另一个链接的场景也会时有发生。相比之前的单域名采集，互联网采集的难度要高很多，所以，要求我们的寻找信息的方式和采集信息的方式都应该极具灵活性，以此达到理想的采集效果。

在做数据采集之前最好能够确定自己采集的内容，明确目标，然后根据目标的展示形式去分析，该网站是否会跳转其他的链接，是否需要继续采集等各个因素。

如果采集一个网站，有时候也会考虑到网络重定向的问题，例如我的个人博客原来链接是：https://forestfdemo.github.io,但是我做了一个网络的重定向，我将https://chensenlin.cn，重定向到原来的链接，这样无论是访问哪一个链接其本质都跳转到原来的链接，此时需要了解的是网络重定向的时候，我们采集的URL地址会发生变化，在Python3.X的版本中，我们的urllib会帮我完成重定向的功能。

用Scrapy采集

Scrapy就是一个可以大幅度降低我们对网页链接查找和识别工作复杂度的Python 库，它可以让你轻松地采集一个或多个域名的信息。

利用Scrapy进行爬虫项目还是有一些设置，我们可以采用官网下载，也可以采用pip进行安装，检验安装的方法在之前的Python基础系列的文章有提到过。这里不做过多的阐述。

创建一个项目：

➜  python scrapy startproject demourl
New Scrapy project 'demourl', using template directory '/usr/local/lib/python3.6/site-packages/scrapy/templates/project', created in:/Users/demo/Project/python/demourlYou can start your first spider with:cd demourlscrapy genspider example example.com

我们查看一下目录结构：

➜  demourl tree ./
./
├── [drwxr-xr-x]  demourl
│   ├── [-rw-r--r--]  __init__.py
│   ├── [drwxr-xr-x]  __pycache__
│   ├── [-rw-r--r--]  items.py
│   ├── [-rw-r--r--]  middlewares.py
│   ├── [-rw-r--r--]  pipelines.py
│   ├── [-rw-r--r--]  settings.py
│   └── [drwxr-xr-x]  spiders
│       ├── [-rw-r--r--]  __init__.py
│       └── [drwxr-xr-x]  __pycache__
└── [-rw-r--r--]  scrapy.cfg4 directories, 7 files

关于Scrapy的内容我们后续逐一介绍，大家可以点击关注，及时收到后续更新。