Python爬蟲知識(shí)點(diǎn)精梳理，可以對(duì)號(hào)入座了

做數(shù)據(jù)分析和任何一門技術(shù)都是一樣的，都應(yīng)該帶著目標(biāo)去學(xué)習(xí)，目標(biāo)就像一座燈塔，指引你前進(jìn)，我看過很多伙伴學(xué)著學(xué)著就學(xué)放棄了，其實(shí)很大部分原因是沒有明確目標(biāo)，所以，一定要明確學(xué)習(xí)目的，在你準(zhǔn)備學(xué)爬蟲前，先問問自己為什么要學(xué)習(xí)爬蟲。有些人是為了一份工作，有些人是為了好玩，也有些人是為了實(shí)現(xiàn)某個(gè)黑科技功能。不過可以肯定的是，學(xué)會(huì)了 Python爬蟲 能給你的工作提供很多便利。

小白入門必讀

如果你是 Python爬蟲 零基礎(chǔ)的小白，大體上可分為三個(gè)階段去實(shí)現(xiàn)。

第一階段是 入門 ，掌握必備基礎(chǔ)知識(shí)，比如Python基礎(chǔ)、網(wǎng)絡(luò)請(qǐng)求的基本原理等；

第二階段是 模仿 ，跟著別人的爬蟲代碼學(xué)，弄懂每一行代碼，熟悉主流的爬蟲工具，

第三階段是自己 動(dòng)手 ，到了這個(gè)階段你開始有自己的解題思路了，可以獨(dú)立設(shè)計(jì)爬蟲系統(tǒng)。

爬蟲涉及的技術(shù)包括但不限于熟練一門編程語言（這里以 Python爬蟲為例） HTML 知識(shí)、HTTP 協(xié)議的基本知識(shí)、正則表達(dá)式、數(shù)據(jù)庫知識(shí)，常用抓包工具的使用、爬蟲框架的使用、涉及到大規(guī)模爬蟲，還需要了解分布式的概念、消息隊(duì)列、常用的數(shù)據(jù)結(jié)構(gòu)和算法、緩存，甚至還包括機(jī)器學(xué)習(xí)的應(yīng)用，大規(guī)模的系統(tǒng)背后都是靠很多技術(shù)來支撐的。數(shù)據(jù)分析、挖掘、甚至是機(jī)器學(xué)習(xí)都離不開數(shù)據(jù)，而數(shù)據(jù)很多時(shí)候需要通過爬蟲來獲取，因此，即使把爬蟲作為一門專業(yè)來學(xué)也是有很大前途的。

那么是不是一定要把上面的知識(shí)全學(xué)完了才可以開始寫爬蟲嗎？當(dāng)然不是，學(xué)習(xí)是一輩子的事，只要你會(huì)寫 Python 代碼了，就直接上手爬蟲，好比學(xué)車，只要能開動(dòng)了就上路吧，寫代碼可比開車安全多了。

用 Python 寫爬蟲

首先需要會(huì) Python，把基礎(chǔ)語法搞懂，知道怎么使用函數(shù)、類、list、dict 中的常用方法就算基本入門。接著你需要了解 HTML，HTML 就是一個(gè)文檔樹結(jié)構(gòu)，

關(guān)于 HTTP 的知識(shí)

爬蟲基本原理就是通過網(wǎng)絡(luò)請(qǐng)求從遠(yuǎn)程服務(wù)器下載數(shù)據(jù)的過程，而這個(gè)網(wǎng)絡(luò)請(qǐng)求背后的技術(shù)就是基于 HTTP 協(xié)議。作為入門爬蟲來說，你需要了解 HTTP協(xié)議的基本原理，雖然 HTTP 規(guī)范用一本書都寫不完，但深入的內(nèi)容可以放以后慢慢去看，理論與實(shí)踐相結(jié)合。

網(wǎng)絡(luò)請(qǐng)求框架都是對(duì) HTTP 協(xié)議的實(shí)現(xiàn)，比如著名的網(wǎng)絡(luò)請(qǐng)求庫 Requests 就是一個(gè)模擬瀏覽器發(fā)送 HTTP 請(qǐng)求的網(wǎng)絡(luò)庫。了解 HTTP 協(xié)議之后，你就可以專門有針對(duì)性的學(xué)習(xí)和網(wǎng)絡(luò)相關(guān)的模塊了，比如 Python 自帶有 urllib、urllib2（Python3中的urllib），httplib，Cookie等內(nèi)容，當(dāng)然你可以直接跳過這些，直接學(xué)習(xí) Requests 怎么用，前提是你熟悉了 HTTP協(xié)議的基本內(nèi)容，數(shù)據(jù)爬下來，大部分情況是 HTML 文本，也有少數(shù)是基于 XML 格式或者 Json 格式的數(shù)據(jù)，要想正確處理這些數(shù)據(jù)，你要熟悉每種數(shù)據(jù)類型的解決方案，比如 JSON 數(shù)據(jù)可以直接使用 Python自帶的模塊 json，對(duì)于 HTML 數(shù)據(jù)，可以使用 BeautifulSoup、lxml 等庫去處理，對(duì)于 xml 數(shù)據(jù)，除了可以使用 untangle、xmltodict 等第三方庫。

爬蟲工具

爬蟲工具里面，學(xué)會(huì)使用 Chrome 或者 FireFox 瀏覽器去審查元素，跟蹤請(qǐng)求信息等等，現(xiàn)在大部分網(wǎng)站有配有APP和手機(jī)瀏覽器訪問的地址，優(yōu)先使用這些接口，相對(duì)更容易。還有 Fiddler 等代理工具的使用。

入門爬蟲，學(xué)習(xí)正則表達(dá)式并不是必須的，你可以在你真正需要的時(shí)候再去學(xué)，比如你把數(shù)據(jù)爬取回來后，需要對(duì)數(shù)據(jù)進(jìn)行清洗，當(dāng)你發(fā)現(xiàn)使用常規(guī)的字符串操作方法根本沒法處理時(shí)，這時(shí)你可以嘗試了解一下正則表達(dá)式，往往它能起到事半功倍的效果。Python 的 re 模塊可用來處理正則表達(dá)式。

數(shù)據(jù)清洗

數(shù)據(jù)清洗完最終要進(jìn)行持久化存儲(chǔ)，你可以用文件存儲(chǔ)，比如CSV文件，也可以用數(shù)據(jù)庫存儲(chǔ)，簡單的用 SQLite，專業(yè)點(diǎn)用 MySQL，或者是分布式的文檔數(shù)據(jù)庫 MongoDB，這些數(shù)據(jù)庫對(duì)Python都非常友好，有現(xiàn)成的庫支持，你要做的就是熟悉這些 API 怎么使用。

進(jìn)階之路

從數(shù)據(jù)的抓取到清洗再到存儲(chǔ)的基本流程都走完了，也算是基本入門了，接下來就是考驗(yàn)內(nèi)功的時(shí)候了，很多網(wǎng)站都設(shè)有反爬蟲策略，他們想方設(shè)法阻止你用非正常手段獲取數(shù)據(jù)，比如會(huì)有各種奇奇怪怪的驗(yàn)證碼限制你的請(qǐng)求操作、對(duì)請(qǐng)求速度做限制，對(duì)IP做限制、甚至對(duì)數(shù)據(jù)進(jìn)行加密操作，總之，就是為了提高獲取數(shù)據(jù)的成本。這時(shí)你需要掌握的知識(shí)就要更多了，你需要深入理解 HTTP 協(xié)議，你需要理解常見的加解密算法，你要理解 HTTP 中的 cookie，HTTP 代理，HTTP中的各種HEADER。爬蟲與反爬蟲就是相愛相殺的一對(duì)，道高一次魔高一丈。

如何應(yīng)對(duì)反爬蟲沒有既定的統(tǒng)一的解決方案，靠的是你的經(jīng)驗(yàn)以及你所掌握的知識(shí)體系。這不是僅憑21天入門教程就能達(dá)到的高度。

進(jìn)行大規(guī)模爬蟲，通常都是從一個(gè)URL開始爬，然后把頁面中解析的URL鏈接加入待爬的URL集合中，我們需要用到隊(duì)列或者優(yōu)先隊(duì)列來區(qū)別對(duì)待有些網(wǎng)站優(yōu)先爬，有些網(wǎng)站后面爬。每爬去一個(gè)頁面，是使用深度優(yōu)先還是廣度優(yōu)先算法爬取下一個(gè)鏈接。每次發(fā)起網(wǎng)絡(luò)請(qǐng)求的時(shí)候，會(huì)涉及到一個(gè)DNS的解析過程（將網(wǎng)址轉(zhuǎn)換成IP）為了避免重復(fù)地 DNS 解析，我們需要把解析好的 IP 緩存下來。URL那么多，如何判斷哪些網(wǎng)址已經(jīng)爬過，哪些沒有爬過，簡單點(diǎn)就是是使用字典結(jié)構(gòu)來存儲(chǔ)已經(jīng)爬過的的URL，但是如果碰過海量的URL時(shí)，字典占用的內(nèi)存空間非常大，此時(shí)你需要考慮使用 Bloom Filter（布隆過濾器），用一個(gè)線程逐個(gè)地爬取數(shù)據(jù)，效率低得可憐，如果提高爬蟲效率，是使用多線程，多進(jìn)程還是協(xié)程，還是分布式操作，都需要反復(fù)實(shí)踐。前面的Python學(xué)習(xí)教程里面也有根大家講過進(jìn)程和線程，分布式操作都有講到，有不清楚的地方，伙伴們要學(xué)會(huì)多實(shí)踐，多問！