python爬虫 | 一条高效的学习路径

数据是创造和决策的原材料，高质量的数据都价值不菲。而利用爬虫，咱们能够获取大量的价值数据，经分析能够发挥巨大的价值，好比：

豆瓣、知乎：爬取优质答案，筛选出各话题下热门内容，探索用户的舆论导向。

淘宝、京东：抓取商品、评论及销量数据，对各类商品及用户的消费场景进行分析。

搜房、链家：抓取房产买卖及租售信息，分析房价变化趋势、作不一样区域的房价分析。

拉勾、智联：爬取各种职位信息，分析各行业人才需求状况及薪资水平。

雪球网：抓取雪球高回报用户的行为，对股票市场进行分析和预测。

 

爬虫是入门Python最好的方式，没有之一。Python有不少应用的方向，好比后台开发、web开发、科学计算等等，但爬虫对于初学者而言更友好，原理简单，几行代码就能实现基本的爬虫，学习的过程更加平滑，你能体会更大的成就感。

掌握基本的爬虫后，你再去学习Python数据分析、web开发甚至机器学习，都会更驾轻就熟。由于这个过程当中，Python基本语法、库的使用，以及如何查找文档你都很是熟悉了。

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。好比有的人则认为先要掌握网页的知识，遂开始 HTMLCSS，结果入了前端的坑，瘁……

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。

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。

 - ❶ -

学习 Python 包并实现基本的爬虫过程

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。

Python中爬虫相关的包不少：urllib、requests、bs四、scrapy、pyspider 等，建议从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。这样下来基本套路都差很少，通常的静态网站根本不在话下，豆瓣、糗事百科、腾讯新闻等基本上均可以上手了。

- ❷ -

掌握各类技巧，应对特殊网站的反爬措施

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。

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。

- ❸ - 

学习 scrapy，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。

- ❹ -

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。

 - ❺ -

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，听起来很恐怖，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。

因此有些东西看起来很吓人，但其实分解开来，也不过如此。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。