Python爬蟲學習系列教程

你們好哈，最近博主在學習Python，學習期間也遇到一些問題，得到了一些經驗，在此將本身的學習系統地整理下來，若是你們有興趣學習爬蟲的話，能夠將這些文章做爲參考，也歡迎你們一共分享學習經驗。

Python版本:2.7，Python 3請另尋其餘博文。

首先爬蟲是什麼？

網絡爬蟲（又被稱爲網頁蜘蛛，網絡機器人，在FOAF社區中間，更常常的稱爲網頁追逐者），是一種按照必定的規則，自動的抓取萬維網信息的程序或者腳本。

根據個人經驗，要學習Python爬蟲，咱們要學習的共有如下幾點：

• Python基礎知識
• Python中urllib和urllib2庫的用法
• Python正則表達式
• Python爬蟲框架Scrapy
• Python爬蟲更高級的功能

1.Python基礎學習

首先，咱們要用Python寫爬蟲，確定要了解Python的基礎吧，萬丈高樓平地起，不能忘啦那地基，哈哈，那麼我就分享一下本身曾經看過的一些Python教程，小夥伴們能夠做爲參考。

1) 慕課網Python教程

曾經有一些基礎的語法是在慕課網上看的，上面附有一些練習，學習完以後能夠做爲練習，感受效果仍是蠻不錯的，不過稍微遺憾的是內容基本上都是最基礎的，入門開始的話，就這個吧

學習網址：慕課網Python教程

2) 廖雪峯Python教程

後來，我發現了廖老師的Python教程，講的那是很是通俗易懂哪，感受也是很是不錯，你們若是想進一步瞭解Python就看一下這個吧。

學習網址：廖雪峯Python教程

3) 簡明Python教程

還有一個我看過的，簡明Python教程，感受講的也不錯

學習網址：簡明Python教程

4) 汪海的實驗室

這是個人本科實驗室學長，入門的時候參考的他的文章，本身從新作了總結，後來這些系列文章又在他的基礎上增長了一些內容。

學習網址：汪海的實驗室

2.Python urllib和urllib2 庫的用法

urllib和urllib2庫是學習Python爬蟲最基本的庫，利用這個庫咱們能夠獲得網頁的內容，並對內容用正則表達式提取分析，獲得咱們想要的結果。這個在學習過程當中我會和你們分享的。

3.Python 正則表達式

Python正則表達式是一種用來匹配字符串的強有力的武器。它的設計思想是用一種描述性的語言來給字符串定義一個規則，凡是符合規則的字符串，咱們就認爲它「匹配」了，不然，該字符串就是不合法的。這個在後面的博文會分享的。

4.爬蟲框架Scrapy

若是你是一個Python高手，基本的爬蟲知識都已經掌握了，那麼就尋覓一下Python框架吧，我選擇的框架是Scrapy框架。這個框架有什麼強大的功能呢？下面是它的官方介紹：

HTML, XML源數據 選擇及提取 的內置支持
提供了一系列在spider之間共享的可複用的過濾器(即 Item Loaders)，對智能處理爬取數據提供了內置支持。
經過 feed導出 提供了多格式(JSON、CSV、XML)，多存儲後端(FTP、S三、本地文件系統)的內置支持
提供了media pipeline，能夠 自動下載 爬取到的數據中的圖片(或者其餘資源)。
高擴展性。您能夠經過使用 signals ，設計好的API(中間件, extensions, pipelines)來定製實現您的功能。
內置的中間件及擴展爲下列功能提供了支持:
cookies and session 處理
HTTP 壓縮
HTTP 認證
HTTP 緩存
user-agent模擬
robots.txt
爬取深度限制
針對非英語語系中不標準或者錯誤的編碼聲明, 提供了自動檢測以及健壯的編碼支持。
支持根據模板生成爬蟲。在加速爬蟲建立的同時，保持在大型項目中的代碼更爲一致。詳細內容請參閱 genspider 命令。
針對多爬蟲下性能評估、失敗檢測，提供了可擴展的 狀態收集工具 。
提供 交互式shell終端 , 爲您測試XPath表達式，編寫和調試爬蟲提供了極大的方便
提供 System service, 簡化在生產環境的部署及運行
內置 Web service, 使您能夠監視及控制您的機器
內置 Telnet終端 ，經過在Scrapy進程中鉤入Python終端，使您能夠查看而且調試爬蟲
Logging 爲您在爬取過程當中捕捉錯誤提供了方便
支持 Sitemaps 爬取
具備緩存的DNS解析器

官方文檔：http://doc.scrapy.org/en/latest/

等咱們掌握了基礎的知識，再用這個 Scrapy 框架吧！

扯了這麼多，好像沒多少有用的東西額，那就不扯啦！

下面開始咱們正式進入爬蟲之旅吧！