Python爬虫入门并不难，甚至进阶也很简单!看完这篇文章就会了！

互联网的数据爆炸式的增长，而利用 Python 爬虫我们可以获取大量有价值的数据：

 

1.爬取数据，进行市场调研和商业分析

爬取知乎优质答案，筛选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、做不同区域的房价分析；爬取招聘网站职位信息，分析各行业人才需求情况及薪资水平。

 

2.作为机器学习、数据挖掘的原始数据

比如你要做一个推荐系统，那么你可以去爬取更多维度的数据，做出更好的模型。

 

3.爬取优质的资源：图片、文本、视频

爬取商品（店铺）评论以及各种图片网站，获得图片资源以及评论文本数据。

 

掌握正确的方法，在短时间内做到能够爬取主流网站的数据，其实非常容易实现。

 

 

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。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.应对特殊网站的反爬虫措施

5.Scrapy 与 MongoDB，进阶分布式

 

01

了解爬虫的基本原理及过程

 

大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”这样的流程来进行，这其实也是模拟了我们使用浏览器获取网页信息的过程。

 

简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面之后，我们可以抽取我们想要的那部分信息，并存储在指定的文档或数据库中。

 

在这部分你可以简单了解 HTTP 协议及网页基础知识，比如 POST\GET、HTML、CSS、JS，简单了解即可，不需要系统学习。

 

02

学习 Python 包并实现基本的爬虫过程

 

Python中爬虫相关的包很多：urllib、requests、bs4、scrapy、pyspider 等，建议你从requests+Xpath 开始，requests 负责连接网站，返回网页，Xpath 用于解析网页，便于抽取数据。

 

如果你用过 BeautifulSoup，会发现 Xpath 要省事不少，一层一层检查元素代码的工作，全都省略了。掌握之后，你会发现爬虫的基本套路都差不多，一般的静态网站根本不在话下，小猪、豆瓣、糗事百科、腾讯新闻等基本上都可以上手了。

 

来看一个爬取豆瓣短评的例子：

 

选中第一条短评，右键-“检查”，即可查看源代码

 

把短评信息的XPath信息复制下来

 

我们通过定位，得到了第一条短评的 XPath 信息：

 

如果我们想爬取很多条短评，那么自然应该去获取（复制）更多这样的 XPath：

 

观察第1、2、3条短评的 XPath，你会发现规律，只有<li>后面的序号不一样，恰好与短评的序号相对应。那如果我们想爬取这个页面所有的短评信息，那么不要这个序号就好了呀。

 

通过XPath信息，我们就可以用简单的代码将其爬取下来了：

 

 

 

爬取的该页面所有的短评信息

 

当然如果你需要爬取异步加载的网站，可以学习浏览器抓包分析真实请求或者学习Selenium来实现自动化爬取，这样，知乎、时光网、猫途鹰这些动态的网站也基本没问题了。

 

你还需要了解 Python 的基础知识，比如：

文件读写操作：用来读取参数、保存爬取内容

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

 

03

非结构化数据的存储

 

爬回来的数据可以直接用文档形式存在本地，也可以存入数据库中。

 

开始数据量不大的时候，你可以直接通过 Python 的语法或 pandas 的方法将数据存为text、csv这样的文件。还是延续上面的例子：

 

用Python的基础语言实现存储：

 

用pandas的语言来存储：

 

这两段代码都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即可。

 

存储的该页的短评数据

 

当然你可能发现爬回来的数据并不是干净的，可能会有缺失、错误等等，你还需要对数据进行清洗，可以学习 pandas 包，掌握以下知识点就好：

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：清楚不必要的空格和极端、异常数据

数据分组：数据划分、分别执行函数、数据重组

 

 

04

掌握各种技巧，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，但是我们通常是要爬取多个页面。

 

这个时候就要看看在翻页的时候url是如何变化了，还是以短评的页面为例，我们来看多个页面的url有什么不同：

 

通过前四个页面，我们就能够发现规律了，不同的页面，只是在最后标记了页面的序号。我们以爬取5个页面为例，写一个循环更新页面地址就好了。

 

当然，爬虫过程中也会经历一些绝望啊，比如被网站封IP、比如各种奇怪的验证码、userAgent访问限制、各种动态加载等等。

 

遇到这些反爬虫的手段，当然还需要一些高级的技巧来应对，常规的比如访问频率控制、使用代理IP池、抓包、验证码的OCR处理等等。

 

比如我们经常发现有的网站翻页后url并不变化，这通常就是异步加载。我们用开发者工具取分析网页加载信息，通常能够得到意外的收获。

 

通过开发者工具分析加载的信息

 

比如很多时候如果我们发现网页不能通过代码访问，可以尝试加入userAgent 信息，甚至是浏览器的 cookie 信息。

 

浏览器中的userAgent信息

 

在代码中加入userAgent信息

 

往往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。

 

05

Scrapy 与 MongoDB，进阶分布式

 

掌握前面的技术，一般量级的数据和代码基本没有问题了，但是在遇到非常复杂的情况，可能仍然会力不从心，这个时候，强大的 scrapy 框架就非常有用了。

 

scrapy 是一个功能非常强大的爬虫框架，它不仅能便捷地构建request，还有强大的 selector 能够方便地解析 response，然而它最让人惊喜的还是它超高的性能，让你可以将爬虫工程化、模块化。

 

分布式爬取租房信息

 

爬取的数据量大了，自然会需要数据库，MongoDB 可以方便你去存储大规模的数据。因为这里要用到的数据库知识其实非常简单，主要是数据如何入库、如何进行提取，在需要的时候再学习就行。

 

MongoDB 存储职位信息

 

分布式这个东西，听起来非常吓人，但其实就是利用多线程的原理让多个爬虫同时工作，需要你掌握 Scrapy + MongoDB + Redis 这三种工具。

 

Scrapy 用于做基本的页面爬取，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。

 

这个时候，你已经可以去写分布式爬虫了。

 

你看，这一条学习路径下来，你已然可以成为老司机了，非常的顺畅。所以在一开始的时候，尽量不要系统地去啃一些东西，找一个实际的项目（开始可以从豆瓣、小猪这种简单的入手），直接开始就好。

 

因为爬虫这种技术，既不需要你系统地精通一门语言，也不需要多么高深的数据库技术，高效的姿势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需要的那部分。