python爬虫如何入门

学爬虫是按部就班的过程，做为零基础小白，大致上可分为三个阶段，第一阶段是入门，掌握必备的基础知识，第二阶段是模仿，跟着别人的爬虫代码学，弄懂每一行代码，第三阶段是本身动手，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/HTTPS 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。爬虫只是为了获取数据，分析、挖掘这些数据才是价值，所以它还能够延伸到数据分析、数据挖掘等领域，给企业作决策，因此做为一名爬虫工程师，是大有可为的。

 

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，固然写代码可比开车安全多了。

 

用 Python 写爬虫，首先须要会 Python，把基础语法搞懂，知道怎么使用函数、类和经常使用的数据结构如 list、dict 中的经常使用方法就算基本入门。接着你须要了解 HTML，HTML 就是一个文档树结构，网上有个 HTML 30分钟入门教程 够用了。而后是关于 HTTP 的知识，爬虫基本原理就是经过网络请求从远程服务器下载数据的过程，而这个网络请求背后的技术就是基于 HTTP 协议。做为入门爬虫来讲，你须要了解 HTTP协议的基本原理，虽然 HTTP 规范用一本书都写不完，但深刻的内容能够放之后慢慢去看，理论与实践相结合。

 

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。这里不得不推荐的一本书是《图解HTTP》。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。

 

入门爬虫，学习正则表达式并非必须的，你能够在你真正须要的时候再去学，好比你把数据爬取回来后，须要对数据进行清洗，当你发现使用常规的字符串操做方法根本无法处理时，这时你能够尝试了解一下正则表达式，每每它能起到事半功倍的效果。Python 的 re 模块可用来处理正则表达式。这里也推荐几个教程：正则表达式30分钟入门教程 Python正则表达式指南 正则表达式彻底指南

 

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。 Python操做MySQL数据库 经过Python链接数据库

 

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。爬虫与反爬虫就是相爱相杀的一对，道高一次魔高一丈。如何应对反爬虫没有既定的统一的解决方案，靠的是你的经验以及你所掌握的知识体系。这不是仅凭21天入门教程就能达到的高度。

 

数据结构和算法

 

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。

 

关于实践

 

网上的爬虫教程多如牛毛，原理大致相同，只不过是换个不一样的网站进行爬取，你能够跟着网上的教程学习模拟登陆一个网站，模拟打卡之类的，爬个豆瓣的电影、书籍之类的。经过不断地练习，从遇到问题到解决问题，这样的收获看书无法比拟的。

 

爬虫经常使用库

 

urllib、urlib2（Python中的urllib）python内建的网络请求库

urllib3：线程安全的HTTP网络请求库

requests：使用最普遍的网络请求库，兼容py2和py3

grequests：异步的requests

BeautifulSoup：HTML、XML操做解析库

lxml：另外一种处理 HTML、XML的方式

tornado：异步网络框架

Gevent：异步网络框架

Scrapy：最流行的爬虫框架

pyspider：爬虫框架

xmltodict：xml转换成字典

pyquery：像jQuery同样操做HTML

Jieba ：分词

SQLAlchemy：ORM框架

celery ：消息队列

rq：简单消息队列

python-goose ：从HTML中提取文本

书籍

 

《图解HTTP》

《HTTP权威指南》

《计算机网络：自顶向下方法》

《用Python写网络爬虫》

《Python网络数据采集》

《精通正则表达式》

《Python入门到实践》

《本身动手写网络爬虫》

《Crypto101》

《图解密码技术》

教程

 

Python爬虫学习系列教程

Python入门网络爬虫之精华版

Python网络爬虫

爬虫入门系列