一個月入門Python爬蟲，輕鬆爬取大規模數據

Python爬蟲爲何受歡迎

若是你仔細觀察，就不難發現，懂爬蟲、學習爬蟲的人愈來愈多，一方面，互聯網能夠獲取的數據愈來愈多，另外一方面，像 Python這樣的編程語言提供愈來愈多的優秀工具，讓爬蟲變得簡單、容易上手。

 

利用爬蟲咱們能夠獲取大量的價值數據，從而得到感性認識中不能獲得的信息，好比：

知乎：爬取優質答案，爲你篩選出各話題下最優質的內容。

淘寶、京東：抓取商品、評論及銷量數據，對各類商品及用戶的消費場景進行分析。

安居客、鏈家：抓取房產買賣及租售信息，分析房價變化趨勢、作不一樣區域的房價分析。

拉勾網、智聯：爬取各種職位信息，分析各行業人才需求狀況及薪資水平。

雪球網：抓取雪球高回報用戶的行爲，對股票市場進行分析和預測。

 

 

對於小白來講，爬蟲多是一件很是複雜、技術門檻很高的事情。好比有人認爲學爬蟲必須精通 Python，而後哼哧哼哧系統學習 Python 的每一個知識點，好久以後發現仍然爬不了數據；有的人則認爲先要掌握網頁的知識，遂開始 HTML\CSS，結果入了前端的坑，瘁……

 

但掌握正確的方法，在短期內作到可以爬取主流網站的數據，其實很是容易實現，但建議你從一開始就要有一個具體的目標。

 

在目標的驅動下，你的學習纔會更加精準和高效。那些全部你認爲必須的前置知識，都是能夠在完成目標的過程當中學到的。這裏給你一條平滑的、零基礎快速入門的學習路徑。

  

1.學習 Python 包並實現基本的爬蟲過程

2.瞭解非結構化數據的存儲

3.學習scrapy，搭建工程化爬蟲

4.學習數據庫知識，應對大規模數據存儲與提取

5.掌握各類技巧，應對特殊網站的反爬措施

6.分佈式爬蟲，實現大規模併發採集，提高效率

 

 - ❶ -

學習 Python 包並實現基本的爬蟲過程

 

大部分爬蟲都是按「發送請求——得到頁面——解析頁面——抽取並儲存內容」這樣的流程來進行，這其實也是模擬了咱們使用瀏覽器獲取網頁信息的過程。

 

Python中爬蟲相關的包不少：urllib、requests、bs四、scrapy、pyspider 等，建議從requests+Xpath 開始，requests 負責鏈接網站，返回網頁，Xpath 用於解析網頁，便於抽取數據。

 

若是你用過 BeautifulSoup，會發現 Xpath 要省事很多，一層一層檢查元素代碼的工做，全都省略了。這樣下來基本套路都差很少，通常的靜態網站根本不在話下，豆瓣、糗事百科、騰訊新聞等基本上均可以上手了。

 

固然若是你須要爬取異步加載的網站，能夠學習瀏覽器抓包分析真實請求或者學習Selenium來實現自動化，這樣，知乎、時光網、貓途鷹這些動態的網站也能夠迎刃而解。

 

 - ❷ -

瞭解非結構化數據的存儲

 

爬回來的數據能夠直接用文檔形式存在本地，也能夠存入數據庫中。

 

開始數據量不大的時候，你能夠直接經過 Python 的語法或 pandas 的方法將數據存爲csv這樣的文件。

 

固然你可能發現爬回來的數據並非乾淨的，可能會有缺失、錯誤等等，你還須要對數據進行清洗，能夠學習 pandas 包的基本用法來作數據的預處理，獲得更乾淨的數據。

 

- ❸ - 

學習 scrapy，搭建工程化的爬蟲

 

掌握前面的技術通常量級的數據和代碼基本沒有問題了，可是在遇到很是複雜的狀況，可能仍然會力不從心，這個時候，強大的 scrapy 框架就很是有用了。

 

scrapy 是一個功能很是強大的爬蟲框架，它不只能便捷地構建request，還有強大的 selector 可以方便地解析 response，然而它最讓人驚喜的仍是它超高的性能，讓你能夠將爬蟲工程化、模塊化。

 

學會 scrapy，你能夠本身去搭建一些爬蟲框架，你就基本具有爬蟲工程師的思惟了。

 

- ❹ -

學習數據庫基礎，應對大規模數據存儲

 

爬回來的數據量小的時候，你能夠用文檔的形式來存儲，一旦數據量大了，這就有點行不通了。因此掌握一種數據庫是必須的，學習目前比較主流的 MongoDB 就OK。

 

MongoDB 能夠方便你去存儲一些非結構化的數據，好比各類評論的文本，圖片的連接等等。你也能夠利用PyMongo，更方便地在Python中操做MongoDB。

 

由於這裏要用到的數據庫知識其實很是簡單，主要是數據如何入庫、如何進行提取，在須要的時候再學習就行。

 

- ❺ -

掌握各類技巧，應對特殊網站的反爬措施

 

固然，爬蟲過程當中也會經歷一些絕望啊，好比被網站封IP、好比各類奇怪的驗證碼、userAgent訪問限制、各類動態加載等等。

 

遇到這些反爬蟲的手段，固然還須要一些高級的技巧來應對，常規的好比訪問頻率控制、使用代理IP池、抓包、驗證碼的OCR處理等等。

 

每每網站在高效開發和反爬蟲之間會偏向前者，這也爲爬蟲提供了空間，掌握這些應對反爬蟲的技巧，絕大部分的網站已經難不到你了。

 

 - ❻ -

分佈式爬蟲，實現大規模併發採集

 

爬取基本數據已經不是問題了，你的瓶頸會集中到爬取海量數據的效率。這個時候，相信你會很天然地接觸到一個很厲害的名字：分佈式爬蟲。

 

分佈式這個東西，聽起來很恐怖，但其實就是利用多線程的原理讓多個爬蟲同時工做，須要你掌握 Scrapy + MongoDB + Redis 這三種工具。

 

Scrapy 前面咱們說過了，用於作基本的頁面爬取，MongoDB 用於存儲爬取的數據，Redis 則用來存儲要爬取的網頁隊列，也就是任務隊列。

 

因此有些東西看起來很嚇人，但其實分解開來，也不過如此。當你可以寫分佈式的爬蟲的時候，那麼你能夠去嘗試打造一些基本的爬蟲架構了，實現一些更加自動化的數據獲取。

 

你看，這一條學習路徑下來，你已然能夠成爲老司機了，很是的順暢。因此在一開始的時候，儘可能不要系統地去啃一些東西，找一個實際的項目（開始能夠從豆瓣、小豬這種簡單的入手），直接開始就好。

 

由於爬蟲這種技術，既不須要你係統地精通一門語言，也不須要多麼高深的數據庫技術，高效的姿式就是從實際的項目中去學習這些零散的知識點，你能保證每次學到的都是最須要的那部分。

 

固然惟一麻煩的是，在具體的問題中，如何找到具體須要的那部分學習資源、如何篩選和甄別，是不少初學者面臨的一個大問題。

 

學習Python的小白或是須要教程視頻的能夠私我756576218