不踩坑的Python爬蟲(chóng)：如何在一個(gè)月內(nèi)學(xué)會(huì)爬取大規(guī)模數(shù)據(jù)

Python爬蟲(chóng)為什么受歡迎

如果你仔細(xì)觀察，就不難發(fā)現(xiàn)，懂爬蟲(chóng)、學(xué)習(xí)爬蟲(chóng)的人越來(lái)越多，一方面，互聯(lián)網(wǎng)可以獲取的數(shù)據(jù)越來(lái)越多，另一方面，像 Python這樣的編程語(yǔ)言提供越來(lái)越多的優(yōu)秀工具，讓爬蟲(chóng)變得簡(jiǎn)單、容易上手。

利用爬蟲(chóng)我們可以獲取大量的價(jià)值數(shù)據(jù)，從而獲得感性認(rèn)識(shí)中不能得到的信息，比如：

知乎：爬取優(yōu)質(zhì)答案，為你篩選出各話題下最優(yōu)質(zhì)的內(nèi)容。淘寶、京東：抓取商品、評(píng)論及銷量數(shù)據(jù)，對(duì)各種商品及用戶的消費(fèi)場(chǎng)景進(jìn)行分析。安居客、鏈家：抓取房產(chǎn)買賣及租售信息，分析房?jī)r(jià)變化趨勢(shì)、做不同區(qū)域的房?jī)r(jià)分析。拉勾網(wǎng)、智聯(lián)：爬取各類職位信息，分析各行業(yè)人才需求情況及薪資水平。雪球網(wǎng)：抓取雪球高回報(bào)用戶的行為，對(duì)股票市場(chǎng)進(jìn)行分析和預(yù)測(cè)。

爬蟲(chóng)是入門Python最好的方式，沒(méi)有之一。Python有很多應(yīng)用的方向，比如后臺(tái)開(kāi)發(fā)、web開(kāi)發(fā)、科學(xué)計(jì)算等等，但爬蟲(chóng)對(duì)于初學(xué)者而言更友好，原理簡(jiǎn)單，幾行代碼就能實(shí)現(xiàn)基本的爬蟲(chóng)，學(xué)習(xí)的過(guò)程更加平滑，你能體會(huì)更大的成就感。

掌握基本的爬蟲(chóng)后，你再去學(xué)習(xí)Python數(shù)據(jù)分析、web開(kāi)發(fā)甚至機(jī)器學(xué)習(xí)，都會(huì)更得心應(yīng)手。因?yàn)檫@個(gè)過(guò)程中，Python基本語(yǔ)法、庫(kù)的使用，以及如何查找文檔你都非常熟悉了。

對(duì)于小白來(lái)說(shuō)，爬蟲(chóng)可能是一件非常復(fù)雜、技術(shù)門檻很高的事情。比如有人認(rèn)為學(xué)爬蟲(chóng)必須精通 Python，然后哼哧哼哧系統(tǒng)學(xué)習(xí) Python 的每個(gè)知識(shí)點(diǎn)，很久之后發(fā)現(xiàn)仍然爬不了數(shù)據(jù)；有的人則認(rèn)為先要掌握網(wǎng)頁(yè)的知識(shí)，遂開(kāi)始 HTMLCSS，結(jié)果入了前端的坑，瘁……

但掌握正確的方法，在短時(shí)間內(nèi)做到能夠爬取主流網(wǎng)站的數(shù)據(jù)，其實(shí)非常容易實(shí)現(xiàn)，但建議你從一開(kāi)始就要有一個(gè)具體的目標(biāo)。

在目標(biāo)的驅(qū)動(dòng)下，你的學(xué)習(xí)才會(huì)更加精準(zhǔn)和高效。那些所有你認(rèn)為必須的前置知識(shí)，都是可以在完成目標(biāo)的過(guò)程中學(xué)到的。這里給你一條平滑的、零基礎(chǔ)快速入門的學(xué)習(xí)路徑。

1.學(xué)習(xí) Python 包并實(shí)現(xiàn)基本的爬蟲(chóng)過(guò)程

2.了解非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)

3.學(xué)習(xí)scrapy，搭建工程化爬蟲(chóng)

4.學(xué)習(xí)數(shù)據(jù)庫(kù)知識(shí)，應(yīng)對(duì)大規(guī)模數(shù)據(jù)存儲(chǔ)與提取

5.掌握各種技巧，應(yīng)對(duì)特殊網(wǎng)站的反爬措施

6.分布式爬蟲(chóng)，實(shí)現(xiàn)大規(guī)模并發(fā)采集，提升效率

- -

學(xué)習(xí) Python 包并實(shí)現(xiàn)基本的爬蟲(chóng)過(guò)程

大部分Python爬蟲(chóng)都是按“發(fā)送請(qǐng)求——獲得頁(yè)面——解析頁(yè)面——抽取并儲(chǔ)存內(nèi)容”這樣的流程來(lái)進(jìn)行，這其實(shí)也是模擬了我們使用瀏覽器獲取網(wǎng)頁(yè)信息的過(guò)程。

Python爬蟲(chóng)相關(guān)的包很多 ：urllib、requests、bs4、scrapy、pyspider 等，建議從requests+Xpath 開(kāi)始，requests 負(fù)責(zé)連接網(wǎng)站，返回網(wǎng)頁(yè)，Xpath 用于解析網(wǎng)頁(yè)，便于抽取數(shù)據(jù)。

如果你用過(guò) BeautifulSoup，會(huì)發(fā)現(xiàn) Xpath 要省事不少，一層一層檢查元素代碼的工作，全都省略了。這樣下來(lái)基本套路都差不多，一般的靜態(tài)網(wǎng)站根本不在話下，豆瓣、糗事百科、騰訊新聞等基本上都可以上手了。

當(dāng)然如果你需要爬取異步加載的網(wǎng)站，可以學(xué)習(xí)瀏覽器抓包分析真實(shí)請(qǐng)求或者學(xué)習(xí)Selenium來(lái)實(shí)現(xiàn)自動(dòng)化，這樣，知乎、時(shí)光網(wǎng)、貓途鷹這些動(dòng)態(tài)的網(wǎng)站也可以迎刃而解。

- -

了解非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)

爬回來(lái)的數(shù)據(jù)可以直接用文檔形式存在本地，也可以存入數(shù)據(jù)庫(kù)中。

開(kāi)始數(shù)據(jù)量不大的時(shí)候，你可以直接通過(guò) Python 的語(yǔ)法或 pandas 的方法將數(shù)據(jù)存為csv這樣的文件。

當(dāng)然你可能發(fā)現(xiàn)爬回來(lái)的數(shù)據(jù)并不是干凈的，可能會(huì)有缺失、錯(cuò)誤等等，你還需要對(duì)數(shù)據(jù)進(jìn)行清洗，可以學(xué)習(xí) pandas 包的基本用法來(lái)做數(shù)據(jù)的預(yù)處理，得到更干凈的數(shù)據(jù)。

- -

學(xué)習(xí) scrapy，搭建工程化的爬蟲(chóng)

掌握前面的技術(shù)一般量級(jí)的數(shù)據(jù)和代碼基本沒(méi)有問(wèn)題了，但是在遇到非常復(fù)雜的情況，可能仍然會(huì)力不從心，這個(gè)時(shí)候，強(qiáng)大的 scrapy 框架就非常有用了。

scrapy 是一個(gè)功能非常強(qiáng)大的爬蟲(chóng)框架，它不僅能便捷地構(gòu)建request，還有強(qiáng)大的 selector 能夠方便地解析 response，然而它最讓人驚喜的還是它超高的性能，讓你可以將爬蟲(chóng)工程化、模塊化。

學(xué)會(huì) scrapy，你可以自己去搭建一些爬蟲(chóng)框架，你就基本具備爬蟲(chóng)工程師的思維了。

- -

學(xué)習(xí)數(shù)據(jù)庫(kù)基礎(chǔ)，應(yīng)對(duì)大規(guī)模數(shù)據(jù)存儲(chǔ)

爬回來(lái)的數(shù)據(jù)量小的時(shí)候，你可以用文檔的形式來(lái)存儲(chǔ)，一旦數(shù)據(jù)量大了，這就有點(diǎn)行不通了。所以掌握一種數(shù)據(jù)庫(kù)是必須的，學(xué)習(xí)目前比較主流的 MongoDB 就OK。

MongoDB 可以方便你去存儲(chǔ)一些非結(jié)構(gòu)化的數(shù)據(jù)，比如各種評(píng)論的文本，圖片的鏈接等等。你也可以利用PyMongo，更方便地在Python中操作MongoDB。

因?yàn)檫@里要用到的數(shù)據(jù)庫(kù)知識(shí)其實(shí)非常簡(jiǎn)單，主要是數(shù)據(jù)如何入庫(kù)、如何進(jìn)行提取，在需要的時(shí)候再學(xué)習(xí)就行。

- -

掌握各種技巧，應(yīng)對(duì)特殊網(wǎng)站的反爬措施

當(dāng)然，爬蟲(chóng)過(guò)程中也會(huì)經(jīng)歷一些絕望啊，比如被網(wǎng)站封IP、比如各種奇怪的驗(yàn)證碼、userAgent訪問(wèn)限制、各種動(dòng)態(tài)加載等等。

遇到這些反爬蟲(chóng)的手段，當(dāng)然還需要一些高級(jí)的技巧來(lái)應(yīng)對(duì)，常規(guī)的比如訪問(wèn)頻率控制、使用代理IP池、抓包、驗(yàn)證碼的OCR處理等等。

往往網(wǎng)站在高效開(kāi)發(fā)和反爬蟲(chóng)之間會(huì)偏向前者，這也為爬蟲(chóng)提供了空間，掌握這些應(yīng)對(duì)反爬蟲(chóng)的技巧，絕大部分的網(wǎng)站已經(jīng)難不到你了。

- -

分布式Python爬蟲(chóng)，實(shí)現(xiàn)大規(guī)模并發(fā)采集

爬取基本數(shù)據(jù)已經(jīng)不是問(wèn)題了，你的瓶頸會(huì)集中到爬取海量數(shù)據(jù)的效率。這個(gè)時(shí)候，相信你會(huì)很自然地接觸到一個(gè)很厲害的名字：分布式爬蟲(chóng)。

分布式這個(gè)東西，聽(tīng)起來(lái)很恐怖，但其實(shí)就是利用多線程的原理讓多個(gè)爬蟲(chóng)同時(shí)工作，需要你掌握 Scrapy + MongoDB + Redis 這三種工具。

Scrapy 前面我們說(shuō)過(guò)了，用于做基本的頁(yè)面爬取，MongoDB 用于存儲(chǔ)爬取的數(shù)據(jù)，Redis 則用來(lái)存儲(chǔ)要爬取的網(wǎng)頁(yè)隊(duì)列，也就是任務(wù)隊(duì)列。

所以有些東西看起來(lái)很嚇人，但其實(shí)分解開(kāi)來(lái)，也不過(guò)如此。當(dāng)你能夠?qū)懛植际降呐老x(chóng)的時(shí)候，那么你可以去嘗試打造一些基本的爬蟲(chóng)架構(gòu)了，實(shí)現(xiàn)一些更加自動(dòng)化的數(shù)據(jù)獲取。

你看，這一條學(xué)習(xí)路徑下來(lái)，你已然可以成為老司機(jī)了，非常的順暢。所以在一開(kāi)始的時(shí)候，盡量不要系統(tǒng)地去啃一些東西，找一個(gè)實(shí)際的項(xiàng)目（開(kāi)始可以從豆瓣、小豬這種簡(jiǎn)單的入手），直接開(kāi)始就好。

因?yàn)榕老x(chóng)這種技術(shù)，既不需要你系統(tǒng)地精通一門語(yǔ)言，也不需要多么高深的數(shù)據(jù)庫(kù)技術(shù)，高效的姿勢(shì)就是從實(shí)際的項(xiàng)目中去學(xué)習(xí)這些零散的知識(shí)點(diǎn)，你能保證每次學(xué)到的都是最需要的那部分。

Python爬蟲(chóng) 相關(guān)的學(xué)習(xí)教程，也會(huì)在接下來(lái)的教程中為大家更新！伙伴們有哪些地方不清楚的，可以留言的哦！