一.安装Python及基础知识

<一>.安装Python
在开始使用Python编程之前，需要介绍Python的安装过程。python解释器在Linux中可以内置使用安装，windows中需要去http://www.python.org官网downloads页面下载。具体步骤如下：
第一步：打开Web浏览器并访问http://www.python.org官网；

选中上图中第三个图标，即点击“Python （command line）命令行模式”，运行程序输入如下代码：
print 'hello world'
则python命令行模式的解释器会打印输出“hello world”字符串，如下图所示。

选中图中的第一个图片，点击“IDLE （Python GUI）”，即运行Python的集成开发环境（Python Integrated Development Environment，IDLE），运行结果如下图。
注意2：建议大家使用IDLE写脚本，完整的代码而不是通过命令行模式。

def fun1():  
    print 'Hello world'  
    print 'by eastmount csdn'    
print 'output'  
fun1()    
def fun2(val1,val2):  
    print val1  
    print val2    
fun2(8,15)  

需要注意的是Ptthon中if条件语句条件无需圆括号()，条件后面需要添加冒号，它没有花括号{}而是使用TAB实现区分。其中condition条件判断通常有布尔表达式(True|False 0-假|1-真 非0即真)、关系表达式(>= <= == !=)和逻辑运算表达式(and or not)。
(2).双分支语句
它的基本格式是：
if condition:
statement
statement
else:
statement
statement
(3).多分支语句
if多分支由if-elif-else组成，其中elif相当于else if，同时它可以使用多个if的嵌套。具体代码如下所示：

#双分支if-else
count = input("please input:")
print 'count=',count
if count>80:
    print 'lager than 80'
else:
    print 'lower than 80'
print 'End if-else'

#多分支if-elif-else
number = input("please input:")
print 'number=',number
if number>=90:
    print 'A'
elif number>=80:
    print 'B'
elif number>=70:
    print 'C'
elif number>=60:
    print 'D'
else:
    print 'No pass'
print 'End if-elif-else'

#条件判断
sex = raw_input("plz input your sex:")
if sex=='male' or sex=='m' or sex=='man':
    print 'Man'
else:
    print 'Woman'

#循环while计数1+2+..+100
i = 1
s = 0
while i <= 100:
    s = s+i
    i = i+1
else:
    print 'exit while'
print 'sum = ',s

'''
输出结果为：exit while
          sum = 5050
'''

4、for循环
该循环语句的基础格式为：
for target in sequences:
statements
target表示变量名,sequences表示序列,常见类型有list(列表)、tuple(元组)、strings(字符串)和files(文件).
Python的for没有体现出循环的次数，不像C语言的for(i=0;i<10;i++)中i循环计数，Python的for指每次从序列sequences里面的数据项取值放到target里，取完即结束，取多少次循环多少次。其中in为成员资格运算符，检查一个值是否在序列中。同样可以使用break和continue跳出循环。
下面是文件循环遍历的过程：

#文件循环遍历三种对比  
for n in open('for.py'，'r').read():  
    print n，  
print 'End'  
for n in open('for.py'，'r').readlines():  
    print n，  
print 'End'    
for n in open('for.py'，'r').readline():  
    print n，  
print 'End'  

#coding=utf-8 
import os
import string

print '贵州财经大学大数据金融学院，大家好！'

def fun1():
    print 'Hello world'
    print 'Goodbye!'

#计算和
def fun2(n, m):
    return n+m

#输出结果
fun1()
s = fun2(3,8)
print 'sum = ' + str(s)
print 'sum =', s

#判断语句 u表示unicode字符串
if(s>10):
    print u'大于10'
else:
    print u'小于等于10'

#循环语句
i = 1
s = 0
while i<=100:
    s = s + i
    i = i + 1
else:
    print 'end while'
print 'sum =', s
'''
输出结果为:sum=5050
'''

#for循环
num = [2, 4, 6, 8, 10]
for x in num:
    print x

二. 安装PIP及第三方包

接下来需要详解介绍爬虫相关的知识了，这里主要涉及到下面几个知识：

easy_install的用法：  
1） 安装一个包  
 $ easy_install <package_name>  
 $ easy_install "<package_name>==<version>"  
2) 升级一个包  
 $ easy_install -U "<package_name>>=<version>"  
  
pip的用法  
1) 安装一个包  
 $ pip install <package_name>  
 $ pip install <package_name>==<version>  
2) 升级一个包 (如果不提供version号，升级到最新版本）  
 $ pip install --upgrade <package_name>>=<version>  
3）删除一个包  
 $ pip uninstall <package_name>  

第一步：下载PIP软件
可以在官网http://pypi.python.org/pypi/pip#downloads下载，同时cd切换到PIP目录，在通过python setup.py install安装。而我采用的是下载pip-Win_1.7.exe进行安装，下载地址如下：
这里作者提供几种方法供大家下载：
http://download.csdn.net/detail/eastmount/9598651

第二步：安装PIP软件

三. Urllib下载网页及图片

在使用pip install urllib或pip install urllib2后，下面这段代码是下载网页。

#coding=utf-8
import os
import urllib
import httplib2
import webbrowser as web

#爬取在线网站
url = "http://www.baidu.com/"  
content = urllib.urlopen(url).read()  
open("baidu.html","w").write(content)
#浏览求打开网站
web.open_new_tab("baidu.html")  

urlopen(url, data, timeout)

response = urllib2.urlopen("http://www.baidu.com") 
print response.read()

#coding=utf-8
import os
import urllib
import httplib2
import webbrowser as web

#爬取在线网站
url = "http://www.baidu.com/"  
content = urllib.urlopen(url).read()  
open("baidu.html","w").write(content)
#浏览求打开网站
web.open_new_tab("baidu.html")  

#下载图片 审查元素
pic_url = "https://www.baidu.com/img/bd_logo1.png"
pic_name = os.path.basename(pic_url)  #删除路径获取图片名字   
urllib.urlretrieve(pic_url, pic_name)


#本地文件
content = urllib.urlopen("first.html").read()  
print content

#下载图片 审查元素
pic_url = "imgs/bga1.jpg"
pic_name = os.path.basename(pic_url)  #删除路径获取图片名字   
urllib.urlretrieve(pic_url, pic_name)

import urllib
def callbackfunc(blocknum, blocksize, totalsize):
    '''回调函数
    @blocknum: 已经下载的数据块
    @blocksize: 数据块的大小
    @totalsize: 远程文件的大小
    '''
    percent = 100.0 * blocknum * blocksize / totalsize
    if percent > 100:
        percent = 100
    print "%.2f%%"% percent
url = 'http://www.sina.com.cn'
local = 'd:\\sina.html'
urllib.urlretrieve(url, local, callbackfunc)

四. HTML网页基础知识及审查元素

HTML DOM是HTML Document Object Model（文档对象模型）的缩写，HTML DOM则是专门适用于HTML/XHTML的文档对象模型。熟悉软件开发的人员可以将HTML DOM理解为网页的API。它将网页中的各个元素都看作一个个对象，从而使网页中的元素也可以被计算机语言获取或者编辑。

<html>  
  <head>     
    <title>Python挖掘开发</title>  
  </head>  
    
  <body>  
    欢迎大家学习《基于Python的Web大数据爬取实战指南》! <br>  
  </body>  
</html>

五. 安装Selenium及网页简单爬取

Selenium用于Web应用程序测试的工具，模拟浏览器用户操作，通过Locating Elements 定位元素。安装过程如下图所示，通过pip install selenium安装。
注意：需要cd去到Scripts目录进行安装。

selenium结合浏览器定位的基本函数包括：

#coding=utf-8
import os
import urllib
from selenium import webdriver          
from selenium.webdriver.common.keys import Keys          


#Open PhantomJS      
#driver = webdriver.PhantomJS(executable_path="phantomjs-1.9.1-windows\phantomjs.exe")  
driver = webdriver.Firefox()

#访问url
driver.get("https://www.baidu.com/")    

print u'URL:'
print driver.current_url  
#当前链接: https://www.baidu.com/  

print u'标题:'
print driver.title  
#标题: 百度一下， 你就知道  
  
#print driver.page_source
#源代码

#定位元素，注意u1（数字1）和ul（字母L）区别
print u'\n\n定位元素id:'
info1 = driver.find_element_by_id("u1").text
print info1


#定位元素
print u'\n\n定位元素xpath:'
info3 = driver.find_element_by_xpath("//div[@id='u1']/a")
print info3.text

参考：http://blog.csdn.net/eastmount/article/details/52577215