Python爬蟲入門心得分享

網路爬蟲是一種自動擷取網頁內容的程式，是搜尋引擎的重要組成部分。網路爬蟲為搜尋引擎從全球資訊網下載網頁。一般分為傳統爬蟲和聚焦爬蟲。

學爬蟲是循序漸進的過程，作為零基礎小白，大體上可分為三個階段，第一階段是入門，掌握必備的基礎知識，第二階段是模仿，跟著別人的爬蟲代碼學，弄懂每一行代碼，第三階段是自己動手，這個階段你開始有自己的解題思路了，可以獨立設計爬蟲系統。

爬蟲涉及的技術包括但不限於熟練一門程式設計語言（這裡以 Python 為例） HTML 知識、HTTP/HTTPS 協議的基本知識、Regex、資料庫知識，常用抓包工具的使用、爬蟲架構的使用、涉及到大規模爬蟲，還需要瞭解分布式的概念、訊息佇列、常用的資料結構和演算法、緩衝，甚至還包括機器學習的應用，大規模的系統背後都是靠很多技術來支撐的。爬蟲只是為了擷取資料，分析、挖掘這些資料才是價值，因此它還可以延伸到資料分析、資料採礦等領域，給企業做決策，所以作為一名爬蟲工程師，是大有可為的。

那麼是不是一定要把上面的知識全學完了才可以開始寫爬蟲嗎？當然不是，學習是一輩子的事，只要你會寫 Python 代碼了，就直接上手爬蟲，好比學車，只要能開動了就上路吧，當然寫代碼可比開車安全多了。

用 Python 寫爬蟲，首先需要會 Python，把基礎文法搞懂，知道怎麼使用函數、類和常用的資料結構如 list、dict 中的常用方法就算基本入門。接著你需要瞭解 HTML，HTML 就是一個文檔樹結構，網上有個 HTML 30分鐘入門教程 夠用了。然後是關於 HTTP 的知識，爬蟲基本原理就是通過網路請求從遠程伺服器下載資料的過程，而這個網路請求背後的技術就是基於 HTTP 協議。作為入門爬蟲來說，你需要瞭解 HTTP協議的基本原理，雖然 HTTP 規範用一本書都寫不完，但深入的內容可以放以後慢慢去看，理論與實踐相結合。

網路請求架構都是對 HTTP 協議的實現，比如著名的網路請求庫 Requests 就是一個類比瀏覽器發送 HTTP 要求的網路程式庫。瞭解 HTTP 協議之後，你就可以專門有針對性的學習和網路相關的模組了，比如 Python 內建有 urllib、urllib2（Python3中的urllib），httplib，Cookie等內容，當然你可以直接跳過這些，直接學習 Requests 怎麼用，前提是你熟悉了 HTTP協議的基本內容。這裡不得不推薦的一本書是《圖解HTTP》。資料爬下來，大部分情況是 HTML 文本，也有少數是基於 XML 格式或者 Json 格式的資料，要想正確處理這些資料，你要熟悉每種資料類型的解決方案，比如JSON資料可以直接使用 Python內建的模組 json，對於 HTML 資料，可以使用 BeautifulSoup、lxml 等庫去處理，對於 xml 資料，除了可以使用 untangle、xmltodict等第三方庫。

入門爬蟲，學習Regex並不是必須的，你可以在你真正需要的時候再去學，比如你把資料爬取回來後，需要對資料進行清洗，當你發現使用常規的字串操作方法根本沒法處理時，這時你可以嘗試瞭解一下Regex，往往它能起到事半功倍的效果。Python 的 re 模組可用來處理Regex。這裡也推薦幾個教程： Regex30分鐘入門教程 PythonRegex指南 Regex完全指南

資料清洗完最終要進行持久化儲存，你可以用檔案儲存體，比如CSV檔案，也可以用資料庫儲存，簡單的用 sqlite，專業點用 MySQL，或者是分布式的文檔資料庫 MongoDB，這些資料庫對Python都非常友好，有現成的庫支援。 Python操作MySQL資料庫 通過Python串連資料庫

從資料的抓取到清洗再到儲存的基本流程都走完了，也算是基本入門了，接下來就是考驗內功的時候了，很多網站都設有反爬蟲策略，他們想方設法阻止你用非正常手段擷取資料，比如會有各種奇奇怪怪的驗證碼限制你的請求操作、對請求速度做限制，對IP做限制、甚至對資料進行加密操作，總之，就是為了提高擷取資料的成本。這時你需要掌握的知識就要更多了，你需要深入理解 HTTP 協議，你需要理解常見的加解密演算法，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，道高一次魔高一丈。如何應對反爬蟲沒有既定的統一的解決方案，靠的是你的經驗以及你所掌握的知識體系。這不是僅憑21天入門教程就能達到的高度。

資料結構和演算法

進行大規模爬蟲，通常都是從一個URL開始爬，然後把頁面中解析的URL連結加入待爬的URL集合中，我們需要用到隊列或者優先隊列來區別對待有些網站優先爬，有些網站後面爬。每爬去一個頁面，是使用深度優先還是廣度優先演算法爬取下一個連結。每次發起網路請求的時候，會涉及到一個DNS的解析過程（將網址轉換成IP）為了避免重複地 DNS 解析，我們需要把解析好的 IP 緩衝下來。URL那麼多，如何判斷哪些網址已經爬過，哪些沒有爬過，簡單點就是是使用字典結構來儲存已經爬過的的URL，但是如果碰過海量的URL時，字典佔用的記憶體空間非常大，此時你需要考慮使用 Bloom Filter（布隆過濾器），用一個線程逐個地爬取資料，效率低得可憐，如果提高爬蟲效率，是使用多線程，多進程還是協程，還是分布式操作。

關於實踐

網上的爬蟲教程多如牛毛，原理大體相同，只不過是換個不同的網站進行爬取，你可以跟著網上的教程學習類比登入一個網站，類比打卡之類的，爬個豆瓣的電影、書籍之類的。通過不斷地練習，從遇到問題到解決問題，這樣的收穫看書沒法比擬的。

爬蟲常用庫

• urllib、urlib2（Python中的urllib）python內建的網路請求庫

• urllib3：安全執行緒的HTTP網路請求庫

• requests：使用最廣泛的網路請求庫，相容py2和py3

• grequests：非同步requests

• BeautifulSoup：HTML、XML操作解析庫

• lxml：另一種處理 HTML、XML的方式

• tornado：非同步網路架構

• Gevent：非同步網路架構

• Scrapy：最流行的爬蟲架構

• pyspider：爬蟲架構

• xmltodict：xml轉換成字典

• pyquery：像jQuery一樣操作HTML

• Jieba ：分詞

• SQLAlchemy：ORM架構

• celery ：訊息佇列

• rq：簡單訊息佇列

• python-goose ：從HTML中提取文本

書籍推薦：

• 《圖解HTTP》

• 《HTTP權威指南》

• 《電腦網路：自頂向下方法》

• 《用Python寫網路爬蟲》

• 《Python網路資料擷取》

• 《精通Regex》

• 《Python入門到實踐》

• 《自己動手寫網路爬蟲》

• 《Crypto101》

• 《圖解密碼技術》

以上內容就是關於Python爬蟲技術入門經驗分享，希望能協助到大家。