數(shù)據(jù)是決策的原材料，高質(zhì)量的數(shù)據(jù)價值不菲，如何挖掘原材料成為互聯(lián)網(wǎng)時代的先驅(qū)，掌握信息的源頭，就能比別人更快一步。

大數(shù)據(jù)時代，互聯(lián)網(wǎng)成為大量信息的載體，機(jī)械的復(fù)制粘貼不再實(shí)用，不僅耗時費(fèi)力還極易出錯，這時爬蟲的出現(xiàn)解放了大家的雙手，以其高速爬行、定向抓取資源的能力獲得了大家的青睞。

爬蟲變得越來越流行，不僅因?yàn)樗軌蚩焖倥廊『Ａ康臄?shù)據(jù)，更因?yàn)橛衟ython這樣簡單易用的語言使得爬蟲能夠快速上手。

對于小白來說，爬蟲可能是一件非常復(fù)雜、技術(shù)門檻很高的事情，但掌握正確的方法，在短時間內(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)，但建議你從一開始就要有一個具體的目標(biāo)。

在目標(biāo)的驅(qū)動下，你的學(xué)習(xí)才會更加精準(zhǔn)和高效。那些所有你認(rèn)為必須的前置知識，都是可以在完成目標(biāo)的過程中學(xué)到的。

基于python爬蟲，我們整理了一個完整的學(xué)習(xí)框架：

篩選和甄別學(xué)習(xí)哪些知識，在哪里去獲取資源是許多初學(xué)者共同面臨的問題。

接下來，我們將學(xué)習(xí)框架進(jìn)行拆解，分別對每個部分進(jìn)行詳細(xì)介紹和推薦一些相關(guān)資源，告訴你學(xué)什么、怎么學(xué)、在哪里學(xué)。

爬蟲是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。

這個定義看起來很生硬，我們換一種更好理解的解釋：

我們作為用戶獲取網(wǎng)絡(luò)數(shù)據(jù)的方式是瀏覽器提交請求->下載網(wǎng)頁代碼->解析/渲染成頁面；

而爬蟲的方式是模擬瀏覽器發(fā)送請求->下載網(wǎng)頁代碼->只提取有用的數(shù)據(jù)->存放于數(shù)據(jù)庫或文件中。

爬蟲與我們的區(qū)別是，爬蟲程序只提取網(wǎng)頁代碼中對我們有用的數(shù)據(jù)，并且爬蟲抓取速度快，量級大。

隨著數(shù)據(jù)的規(guī)?；老x獲取數(shù)據(jù)的高效性能越來越突出，能夠做的事情越來越多：

·市場分析：電商分析、商圈分析、一二級市場分析等

·市場監(jiān)控：電商、新聞、房源監(jiān)控等

·商機(jī)發(fā)現(xiàn)：招投標(biāo)情報(bào)發(fā)現(xiàn)、客戶資料發(fā)掘、企業(yè)客戶發(fā)現(xiàn)等

進(jìn)行爬蟲學(xué)習(xí)，首先要懂得是網(wǎng)頁，那些我們?nèi)庋劭梢姷墓怩r亮麗的網(wǎng)頁是由HTML、css、javascript等網(wǎng)頁源碼所支撐起來的。

這些源碼被瀏覽器所識別轉(zhuǎn)換成我們看到的網(wǎng)頁，這些源碼里面必定存在著很多規(guī)律, 我們的爬蟲就能按照這樣的規(guī)律來爬取需要的信息。

無規(guī)矩不成方圓，Robots協(xié)議就是爬蟲中的規(guī)矩，它告訴爬蟲和搜索引擎哪些頁面可以抓取，哪些不可以抓取。

通常是一個叫作robots.txt的文本文件，放在網(wǎng)站的根目錄下。

“獲取數(shù)據(jù)——解析數(shù)據(jù)——存儲數(shù)據(jù)”是爬蟲的三部曲，大部分爬蟲都是按這樣的流程來進(jìn)行，這其實(shí)也是模擬了我們使用瀏覽器獲取網(wǎng)頁信息的過程。

1、獲取數(shù)據(jù)

爬蟲第一步操作就是模擬瀏覽器向服務(wù)器發(fā)送請求，基于python，你不需要了解從數(shù)據(jù)的實(shí)現(xiàn)，HTTP、TCP、IP的網(wǎng)絡(luò)傳輸結(jié)構(gòu)，一直到服務(wù)器響應(yīng)和應(yīng)達(dá)的原理，因?yàn)?strong>python提供了功能齊全的類庫來幫我們完成這些請求。

Python自帶的標(biāo)準(zhǔn)庫urllib2使用的較多，它是python內(nèi)置的HTTP請求庫，如果你只進(jìn)行基本的爬蟲網(wǎng)頁抓取，那么urllib2足夠用。

Requests的slogen是“Requests is the only Non-GMO HTTP library for Python, safe for humanconsumption”，相對urllib2，requests使用起來確實(shí)簡潔很多，并且自帶json解析器。

如果你需要爬取異步加載的動態(tài)網(wǎng)站，可以學(xué)習(xí)瀏覽器抓包分析真實(shí)請求或者學(xué)習(xí)Selenium來實(shí)現(xiàn)自動化。

對于爬蟲來說，在能夠爬取到數(shù)據(jù)地前提下當(dāng)然是越快越好，顯然傳統(tǒng)地同步代碼不能滿足我們對速度地需求。

（ps：據(jù)國外數(shù)據(jù)統(tǒng)計(jì)：正常情況下我們請求同一個頁面 100次的話，最少也得花費(fèi) 30秒，但使用異步請求同一個頁面 100次的話，只需要要 3秒左右。）

aiohttp是你值得擁有的一個庫，aiohttp的異步操作借助于async/await關(guān)鍵字的寫法變得更加簡潔，架構(gòu)更加清晰。使用異步請求庫進(jìn)行數(shù)據(jù)抓取時，會大大提高效率。

你可以根據(jù)自己的需求選擇合適的請求庫，但建議先從python自帶的urllib開始，當(dāng)然，你可以在學(xué)習(xí)時嘗試所有的方式，以便更了解這些庫的使用。

推薦請求庫資源:

requests文檔

selenium文檔

aiohttp文檔

2、解析數(shù)據(jù)

爬蟲爬取的是爬取頁面指定的部分?jǐn)?shù)據(jù)值，而不是整個頁面的數(shù)據(jù)，這時往往需要先進(jìn)行數(shù)據(jù)的解析再進(jìn)行存儲。

從web上采集回來的數(shù)據(jù)的數(shù)據(jù)類型有很多種,主要有HTML、 javascript、JSON、XML等格式。

解析庫的使用等價于在HTML中查找需要的信息時時使用正則，能夠更加快捷地定位到具體的元素獲取相應(yīng)的信息。

Css選擇器是一種快速定位元素的方法。

Pyqurrey使用lxml解析器進(jìn)行快速在xml和html文檔上操作，它提供了和jQuery類似的語法來解析HTML文檔，支持CSS選擇器，使用非常方便。

Beautiful Soup是借助網(wǎng)頁的結(jié)構(gòu)和屬性等特性來解析網(wǎng)頁的工具，能自動轉(zhuǎn)換編碼。支持Python標(biāo)準(zhǔn)庫中的HTML解析器,還支持一些第三方的解析器。

Xpath最初是用來搜尋XML文檔的，但是它同樣適用于 HTML 文檔的搜索。它提供了超過 100 個內(nèi)建的函數(shù)。

這些函數(shù)用于字符串值、數(shù)值、日期和時間比較、節(jié)點(diǎn)和 QName 處理、序列處理、邏輯值等等，并且XQuery和XPointer都構(gòu)建于XPath基礎(chǔ)上。

Re正則表達(dá)式通常被用來檢索、替換那些符合某個模式(規(guī)則)的文本。

個人認(rèn)為前端基礎(chǔ)比較扎實(shí)的，用pyquery是最方便的，beautifulsoup也不錯，re速度比較快，但是寫正則比較麻煩。

當(dāng)然了，既然用python，肯定還是自己用著方便最好。

推薦解析器資源：

pyquery

Beautifulsoup

xpath教程

re文檔

3、數(shù)據(jù)存儲

當(dāng)爬回來的數(shù)據(jù)量較小時，你可以使用文檔的形式來儲存，支持TXT、json、csv等格式。

但當(dāng)數(shù)據(jù)量變大，文檔的儲存方式就行不通了，所以掌握一種數(shù)據(jù)庫是必須的。

Mysql 作為關(guān)系型數(shù)據(jù)庫的代表，擁有較為成熟的體系，成熟度很高，可以很好地去存儲一些數(shù)據(jù)，但在在海量數(shù)據(jù)處理的時候效率會顯著變慢，已然滿足不了某些大數(shù)據(jù)的處理要求。

MongoDB已經(jīng)流行了很長一段時間，相對于MySQL ，MongoDB可以方便你去存儲一些非結(jié)構(gòu)化的數(shù)據(jù)，比如各種評論的文本，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)庫知識其實(shí)非常簡單，主要是數(shù)據(jù)如何入庫、如何進(jìn)行提取，在需要的時候再學(xué)習(xí)就行。

Redis是一個不折不扣的內(nèi)存數(shù)據(jù)庫，Redis 支持的數(shù)據(jù)結(jié)構(gòu)豐富，包括hash、set、list等。

數(shù)據(jù)全部存在內(nèi)存，訪問速度快，可以存儲大量的數(shù)據(jù)，一般應(yīng)用于分布式爬蟲的數(shù)據(jù)存儲當(dāng)中。

推薦數(shù)據(jù)庫資源：

mysql文檔

mongoDB文檔

redis文檔

掌握前面的技術(shù)你就可以實(shí)現(xiàn)輕量級的爬蟲，一般量級的數(shù)據(jù)和代碼基本沒有問題。

但是在面對復(fù)雜情況的時候表現(xiàn)不盡人意，此時，強(qiáng)大的爬蟲框架就非常有用了。

首先是出身名門的Apache頂級項(xiàng)目Nutch，它提供了我們運(yùn)行自己的搜索引擎所需的全部工具。

支持分布式抓取，并有Hadoop支持，可以進(jìn)行多機(jī)分布抓取，存儲和索引。

另外很吸引人的一點(diǎn)在于，它提供了一種插件框架，使得其對各種網(wǎng)頁內(nèi)容的解析、各種數(shù)據(jù)的采集、查詢、集群、過濾等功能能夠方便的進(jìn)行擴(kuò)展。

其次是GitHub上眾人star的scrapy，scary是一個功能非常強(qiáng)大的爬蟲框架。

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，讓你可以將爬蟲工程化、模塊化。

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

最后Pyspider作為人氣飆升的國內(nèi)大神開發(fā)的框架，滿足了絕大多數(shù)Python爬蟲的需求 —— 定向抓取，結(jié)構(gòu)化化解析。

它能在瀏覽器界面上進(jìn)行腳本的編寫，功能的調(diào)度和爬取結(jié)果的實(shí)時查看，后端使用常用的數(shù)據(jù)庫進(jìn)行爬取結(jié)果的存儲等。

其功能強(qiáng)大到更像一個產(chǎn)品而不是一個框架。

這是三個最有代表性的爬蟲框架，它們都有遠(yuǎn)超別人的有點(diǎn)，比如Nutch天生的搜索引擎解決方案、Pyspider產(chǎn)品級的WebUI、Scrapy最靈活的定制化爬取。

建議先從最接近爬蟲本質(zhì)的框架scary學(xué)起，再去接觸人性化的Pyspider，為搜索引擎而生的Nutch。

推薦爬蟲框架資源：

Nutch文檔

scary文檔https://scrapy.org/

pyspider文檔

爬蟲像一只蟲子，密密麻麻地爬行到每一個角落獲取數(shù)據(jù)，蟲子或許無害，但總是不受歡迎的。

因?yàn)榕老x技術(shù)造成的大量IP訪問網(wǎng)站侵占帶寬資源、以及用戶隱私和知識產(chǎn)權(quán)等危害，很多互聯(lián)網(wǎng)企業(yè)都會花大力氣進(jìn)行“反爬蟲”。

你的爬蟲會遭遇比如被網(wǎng)站封IP、比如各種奇怪的驗(yàn)證碼、userAgent訪問限制、各種動態(tài)加載等等。

常見的反爬蟲措施有：

·通過Headers反爬蟲

·基于用戶行為反爬蟲

·基于動態(tài)頁面的反爬蟲

·字體反爬

.....

遇到這些反爬蟲的手段，當(dāng)然還需要一些高級的技巧來應(yīng)對，控制訪問頻率盡量保證一次加載頁面加載且數(shù)據(jù)請求最小化，每個頁面訪問增加時間間隔；

禁止cookie可以防止可能使用cookies識別爬蟲的網(wǎng)站來ban掉我們；

根據(jù)瀏覽器正常訪問的請求頭對爬蟲的請求頭進(jìn)行修改，盡可能和瀏覽器保持一致等等。

往往網(wǎng)站在高效開發(fā)和反爬蟲之間會偏向前者，這也為爬蟲提供了空間，掌握這些應(yīng)對反爬蟲的技巧，絕大部分的網(wǎng)站已經(jīng)難不到你了。

爬取基本數(shù)據(jù)已經(jīng)沒有問題，還能使用框架來面對一寫較為復(fù)雜的數(shù)據(jù)，此時，就算遇到反爬，你也掌握了一些反反爬技巧。

你的瓶頸會集中到爬取海量數(shù)據(jù)的效率，這個時候相信你會很自然地接觸到一個很厲害的名字：分布式爬蟲。

分布式這個東西，聽起來很恐怖，但其實(shí)就是利用多線程的原理將多臺主機(jī)組合起來，共同完成一個爬取任務(wù)，需要你掌握 Scrapy +Redis+MQ+Celery 這些工具。

Scrapy 前面我們說過了，用于做基本的頁面爬取， Redis 則用來存儲要爬取的網(wǎng)頁隊(duì)列，也就是任務(wù)隊(duì)列。

scarpy-redis就是用來在scrapy中實(shí)現(xiàn)分布式的組件，通過它可以快速實(shí)現(xiàn)簡單分布式爬蟲程序。

由于在高并發(fā)環(huán)境下，由于來不及同步處理，請求往往會發(fā)生堵塞，通過使用消息隊(duì)列MQ，我們可以異步處理請求，從而緩解系統(tǒng)的壓力。

RabbitMQ本身支持很多的協(xié)議：AMQP，XMPP, SMTP,STOMP，使的它變的非常重量級，更適合于企業(yè)級的開發(fā)。

Scrapy-rabbitmq-link是可以讓你從RabbitMQ 消息隊(duì)列中取到URL并且分發(fā)給Scrapy spiders的組件。

Celery是一個簡單、靈活且可靠的，處理大量消息的分布式系統(tǒng)。

支持 RabbitMQ、Redis 甚至其他數(shù)據(jù)庫系統(tǒng)作為其消息代理中間件， 在處理異步任務(wù)、任務(wù)調(diào)度、處理定時任務(wù)、分布式調(diào)度等場景表現(xiàn)良好。

所以分布式爬蟲只是聽起來有些可怕，也不過如此。當(dāng)你能夠?qū)懛植际降呐老x的時候，那么你可以去嘗試打造一些基本的爬蟲架構(gòu)了，實(shí)現(xiàn)一些更加自動化的數(shù)據(jù)獲取。

celery文檔

你看，通過這條完整的學(xué)習(xí)路徑走下來，爬蟲對你來說根本不是問題。

因?yàn)榕老x這種技術(shù)，既不需要你系統(tǒng)地精通一門語言，也不需要多么高深的數(shù)據(jù)庫技術(shù)。

解鎖每一個部分的知識點(diǎn)并且有針對性的去學(xué)習(xí)，走完這一條順暢的學(xué)習(xí)之路，你就能掌握python爬蟲。

以上知識框架，我們做了完整打包

包含超清版圖片、PDF文檔、思維導(dǎo)圖文件