Python爬虫知识点梳理

学任何一门技术，都应该带着目标去学习，目标就像一座灯塔，指引你前进，不少人学着学着就学放弃了，很大部分缘由是没有明确目标，因此，在你准备学爬虫前，先问问本身为何要学习爬虫。有些人是为了一份工做，有些人是为了好玩，也有些人是为了实现某个黑科技功能。不过 确定的是，学会了爬虫，能给你的工做提供不少便利。

做为零基础小白，大致上可分为三个阶段去实现，第一阶段是入门，掌握必备基础知识，好比Python基础、网络请求的基本原理等，第二阶段是模仿，跟着别人的爬虫代码学，弄懂每一行代码，熟悉主流的爬虫工具，第三阶段是本身动手，到了这个阶段你开始有本身的解题思路了，能够独立设计爬虫系统。

爬虫涉及的技术包括但不限于熟练一门编程语言（这里以 Python 为例） HTML 知识、HTTP 协议的基本知识、正则表达式、数据库知识，经常使用抓包工具的使用、爬虫框架的使用、涉及到大规模爬虫，还须要了解分布式的概念、消息队列、经常使用的数据结构和算法、缓存，甚至还包括机器学习的应用，大规模的系统背后都是靠不少技术来支撑的。数据分析、挖掘、甚至是机器学习都离不开数据，而数据不少时候须要经过爬虫来获取，所以，做为一门专业爬虫工程师都是有很大的前途的。

那么是否是必定要把上面的知识全学完了才能够开始写爬虫吗？固然不是，学习是一生的事，只要你会写 Python 代码了，就直接上手爬虫，比如学车，只要能开动了就上路吧，写代码可比开车安全多了。

网络请求框架都是对 HTTP 协议的实现，好比著名的网络请求库 Requests 就是一个模拟浏览器发送 HTTP 请求的网络库。了解 HTTP 协议以后，你就能够专门有针对性的学习和网络相关的模块了，好比 Python 自带有 urllib、urllib2（Python3中的urllib），httplib，Cookie等内容，固然你能够直接跳过这些，直接学习 Requests 怎么用，前提是你熟悉了 HTTP协议的基本内容，数据爬下来，大部分状况是 HTML 文本，也有少数是基于 XML 格式或者 Json 格式的数据，要想正确处理这些数据，你要熟悉每种数据类型的解决方案，好比 JSON 数据能够直接使用 Python自带的模块 json，对于 HTML 数据，可使用 BeautifulSoup、lxml 等库去处理，对于 xml 数据，除了可使用 untangle、xmltodict 等第三方库。

爬虫工具里面，学会使用 Chrome 或者 FireFox 浏览器去审查元素，跟踪请求信息等等，如今大部分网站有配有APP和手机浏览器访问的地址，优先使用这些接口，相对更容易。还有 Fiddler 等代理工具的使用。

数据清洗完最终要进行持久化存储，你能够用文件存储，好比CSV文件，也能够用数据库存储，简单的用 sqlite，专业点用 MySQL，或者是分布式的文档数据库 MongoDB，这些数据库对Python都很是友好，有现成的库支持，你要作的就是熟悉这些 API 怎么使用。

从数据的抓取到清洗再到存储的基本流程都走完了，也算是基本入门了，接下来就是考验内功的时候了，不少网站都设有反爬虫策略，他们千方百计阻止你用非正常手段获取数据，好比会有各类奇奇怪怪的验证码限制你的请求操做、对请求速度作限制，对IP作限制、甚至对数据进行加密操做，总之，就是为了提升获取数据的成本。这时你须要掌握的知识就要更多了，你须要深刻理解 HTTP 协议，你须要理解常见的加解密算法，你要理解 HTTP 中的 cookie，HTTP 代理，HTTP中的各类HEADER。进行大规模爬虫，一般都是从一个URL开始爬，而后把页面中解析的URL连接加入待爬的URL集合中，咱们须要用到队列或者优先队列来区别对待有些网站优先爬，有些网站后面爬。每爬去一个页面，是使用深度优先仍是广度优先算法爬取下一个连接。每次发起网络请求的时候，会涉及到一个DNS的解析过程（将网址转换成IP）为了不重复地 DNS 解析，咱们须要把解析好的 IP 缓存下来。URL那么多，如何判断哪些网址已经爬过，哪些没有爬过，简单点就是是使用字典结构来存储已经爬过的的URL，可是若是碰过海量的URL时，字典占用的内存空间很是大，此时你须要考虑使用 Bloom Filter（布隆过滤器），用一个线程逐个地爬取数据，效率低得可怜，若是提升爬虫效率，是使用多线程，多进程仍是协程，仍是分布式操做。