手把手教你入门Python爬虫
若是你仔细观察，就不难发现，懂爬虫、学习爬虫的人愈来愈多，一方面，互联网能够获取的数据愈来愈多，另外一方面，像 Python这样的编程语言提供愈来愈多的优秀工具，让爬虫变得简单、容易上手。前端
利用爬虫咱们能够获取大量的价值数据，从而得到感性认识中不能获得的信息，好比：web
1.爬取数据，进行市场调研和商业分析数据库
爬取知乎优质答案，为你筛选出各话题下最优质的内容。 抓取房产网站买卖信息，分析房价变化趋势、作不一样区域的房价分析。爬取招聘网站各种职位信息，分析各行业人才需求状况及薪资水平。编程
2.做为机器学习、数据挖掘的原始数据浏览器
好比你要作一个推荐系统，那么你能够去爬取更多维度的数据，作出更好的模型。ruby
3.爬取优质的资源：图片、文本、视频服务器
爬取知乎钓鱼贴\图片网站，得到福利图片。多线程
这些事情，本来咱们也是能够手动完成的，但若是是单纯地复制粘贴，很是耗费时间，好比你想获取100万行的数据，大约需忘寝废食重复工做两年。而爬虫能够在一天以内帮你完成，并且彻底不须要任何干预。架构
对于小白来讲，爬虫多是一件很是复杂、技术门槛很高的事情。好比有的人认为学爬虫必须精通 Python，而后哼哧哼哧系统学习 Python 的每一个知识点，好久以后发现仍然爬不了数据；有的人则认为先要掌握网页的知识，遂开始 HTML\CSS，结果入了前端的坑，卒……并发
但掌握正确的方法，在短期内作到可以爬取主流网站的数据，其实很是容易实现。但建议你从一开始就要有一个具体的目标，你要爬取哪一个网站的哪些数据，达到什么量级。
在目标的驱动下，你的学习才会更加精准和高效。那些全部你认为必须的前置知识，都是能够在完成目标的过程当中学到的。这里给你一条平滑的、零基础快速入门的学习路径。
1.了解爬虫的基本原理及过程
2.Requests+Xpath 实现通用爬虫套路
3.了解非结构化数据的存储
4.学习scrapy，搭建工程化爬虫
5.学习数据库知识，应对大规模数据存储与提取
6.掌握各类技巧，应对特殊网站的反爬措施
7.分布式爬虫，实现大规模并发采集，提高效率
1.了解爬虫的基本原理及过程
大部分爬虫都是按“发送请求——得到页面——解析页面——抽取并储存内容”这样的流程来进行，这其实也是模拟了咱们使用浏览器获取网页信息的过程。
简单来讲，咱们向服务器发送请求后，会获得返回的页面，经过解析页面以后，咱们能够抽取咱们想要的那部分信息，并存储在指定的文档或数据库中。
在这部分你能够简单了解 HTTP 协议及网页基础知识，好比 POST\GET、HTML、CSS、JS，简单了解便可，不须要系统学习。
2.学习 Python 包并实现基本的爬虫过程
Python中爬虫相关的包不少：urllib、requests、bs四、scrapy、pyspider 等，建议你从requests+Xpath 开始，requests 负责链接网站，返回网页，Xpath 用于解析网页，便于抽取数据。
若是你用过 BeautifulSoup，会发现 Xpath 要省事很多，一层一层检查元素代码的工做，全都省略了。掌握以后，你会发现爬虫的基本套路都差很少，通常的静态网站根本不在话下，小猪、豆瓣、糗事百科、腾讯新闻等基本上均可以上手了。
来看一个爬取豆瓣短评的例子：
咱们经过定位，获得了第一条短评的XPath信息：
//*[@id="comments"]/ul/li[1]/div[2]/p
可是一般咱们会想爬取不少条短评，那么咱们会想获取不少这样的XPath信息：
//*[@id="comments"]/ul/li[1]/div[2]/p
//*[@id="comments"]/ul/li[2]/div[2]/p
//*[@id="comments"]/ul/li[3]/div[2]/p
………………………………
观察一、二、2条短评的XPath信息，你会发现规律，只有li[ ]中的序号不同，刚好与短评的序号相对应。那若是咱们想爬取这个页面全部的短评信息，那么不要这个序号就行了呀。
经过XPath信息，咱们就能够用简单的代码将其爬取下来了：
import requests
from lxml importe tree
#咱们邀抓取的页面连接url='https://book.douban.com/subject/1084336/comments/'
#用requests库的get方法下载网页
r=requests.get(url).text
#解析网页而且定位短评
s=etree.HTML(r)
file=s.xpath('//*[@id="comments"]/ul/li/div[2]/p/text()')
#打印抓取的信息
print(file)
固然若是你须要爬取异步加载的网站，能够学习浏览器抓包分析真实请求或者学习Selenium来实现自动化，这样，知乎、时光网、猫途鹰这些动态的网站也基本没问题了。
这个过程当中你还须要了解一些Python的基础知识：
文件读写操做：用来读取参数、保存爬下来的内容
list(列表)、dict(字典)：用来序列化爬取的数据
条件判断(if/else)：解决爬虫中的判断是否执行
循环和迭代(for ……while)：用来循环爬虫步骤
3.了解非结构化数据的存储
爬回来的数据能够直接用文档形式存在本地，也能够存入数据库中。
开始数据量不大的时候，你能够直接经过 Python 的语法或 pandas 的方法将数据存为text、csv这样的文件。仍是延续上面的例子：
用Python的基础语言实现存储：
with open('pinglun.text','w',encoding='utf-8') as f:
for i in file:
print(i)
f.write(i)
用pandas的语言来存储：
%#import pandas as pd
#df = pd.DataFrame(file)
#df.to_excel('pinglun.xlsx')
这两段代码均可将爬下来的短评信息存储起来，把代码贴在爬取代码后面便可。
固然你可能发现爬回来的数据并非干净的，可能会有缺失、错误等等，你还须要对数据进行清洗，能够学习 pandas 包的基本用法来作数据的预处理，获得更干净的数据。如下知识点掌握就好：
- 缺失值处理：对缺失数据行进行删除或填充
- 重复值处理：重复值的判断与删除
- 空格和异常值处理：清楚没必要要的空格和极端、异常数据
- 分组：数据划分、分别执行函数、数据重组
4.掌握各类技巧，应对特殊网站的反爬措施
爬取一个页面的的数据是没问题了，可是咱们一般是想爬取多个页面啊。
这个时候就要看看在翻页的时候url是如何变化了，仍是以短评的页面为例，咱们来看多个页面的url有什么不一样：
https://book.douban.com/subject/1084336/comments/
https://book.douban.com/subject/1084336/comments/hot?p=2
https://book.douban.com/subject/1084336/comments/hot?p=3
https://book.douban.com/subject/1084336/comments/hot?p=4
……………………
经过前四个页面，咱们就可以发现规律了，不一样的页面，只是在最后标记了页面的序号。咱们以爬取5个页面为例，写一个循环更新页面地址就行了。
for a in range(5):
url="http://book.douban.com/subject/1084336/comments/hot?p={}".format(a)
固然，爬虫过程当中也会经历一些绝望啊，好比被网站封IP、好比各类奇怪的验证码、userAgent访问限制、各类动态加载等等。
遇到这些反爬虫的手段，固然还须要一些高级的技巧来应对，常规的好比访问频率控制、使用代理IP池、抓包、验证码的OCR处理等等。
好比咱们常常发现有的网站翻页后url并不变化，这一般就是异步加载。咱们用开发者工具取分析网页加载信息，一般可以获得意外的收获。
好比不少时候若是咱们发现网页不能经过代码访问，能够尝试加入userAgent 信息。
每每网站在高效开发和反爬虫之间会偏向前者，这也为爬虫提供了空间，掌握这些应对反爬虫的技巧，绝大部分的网站已经难不到你了。
5.学习爬虫框架，搭建工程化的爬虫
掌握前面的技术通常量级的数据和代码基本没有问题了，可是在遇到很是复杂的状况，可能仍然会力不从心，这个时候，强大的 scrapy 框架就很是有用了。
scrapy 是一个功能很是强大的爬虫框架，它不只能便捷地构建request，还有强大的 selector 可以方便地解析 response，然而它最让人惊喜的仍是它超高的性能，让你能够将爬虫工程化、模块化。
学会 scrapy，你能够本身去搭建一些爬虫框架，你就基本具有爬虫工程师的思惟了。
6.学习数据库基础，应对大规模数据存储
爬回来的数据量小的时候，你能够用文档的形式来存储，一旦数据量大了，这就有点行不通了。因此掌握一种数据库是必须的，学习目前比较主流的 MongoDB 就OK。
MongoDB 能够方便你去存储一些非结构化的数据，好比各类评论的文本，图片的连接等等。你也能够利用PyMongo，更方便地在Python中操做MongoDB。
由于这里要用到的数据库知识其实很是简单，主要是数据如何入库、如何进行提取，在须要的时候再学习就行。
7.分布式爬虫，实现大规模并发采集
爬取基本数据已经不是问题了，你的瓶颈会集中到爬取海量数据的效率。这个时候，相信你会很天然地接触到一个很厉害的名字：分布式爬虫。
分布式这个东西，听起来很是吓人，但其实就是利用多线程的原理让多个爬虫同时工做，须要你掌握 Scrapy + MongoDB + Redis 这三种工具。
Scrapy 前面咱们说过了，用于作基本的页面爬取，MongoDB 用于存储爬取的数据，Redis 则用来存储要爬取的网页队列，也就是任务队列。
因此不要被有些看起来很高深的东西吓到了。当你可以写分布式的爬虫的时候，那么你能够去尝试打造一些基本的爬虫架构了，实现一些更加自动化的数据获取。
你看，这一条学习路径下来，你已然能够成为老司机了，很是的顺畅。因此在一开始的时候，尽可能不要系统地去啃一些东西，找一个实际的项目（开始能够从豆瓣、小猪这种简单的入手），直接开始就好。
由于爬虫这种技术，既不须要你系统地精通一门语言，也不须要多么高深的数据库技术，高效的姿式就是从实际的项目中去学习这些零散的知识点，你能保证每次学到的都是最须要的那部分。
固然惟一困难的是，刚开始没有经验的时候，在寻找资源、搜索解决问题的方法时总会遇到一些困难，由于每每在最开始，咱们去描述清楚具体的问题都很难。若是有大神帮忙指出学习的路径和解答疑问，效率会高很多。
这里真诚地推荐咱们的系统化爬虫课程：Python爬虫：入门+进阶。清晰高效的学习路径，老师实时答疑。