python爬虫，学习路径拆解及资源推荐

转自DC黑板报

数据是决策的原材料，高质量的数据价值不菲，如何挖掘原材料成为互联网时代的先驱，掌握信息的源头，就能比别人更快一步。

 

大数据时代，互联网成为大量信息的载体，机械的复制粘贴不再实用，不仅耗时费力还极易出错，这时爬虫的出现解放了大家的双手，以其高速爬行、定向抓取资源的能力获得了大家的青睐。

 

爬虫变得越来越流行，不仅因为它能够快速爬取海量的数据，更因为有python这样简单易用的语言使得爬虫能够快速上手。

 

对于小白来说，爬虫可能是一件非常复杂、技术门槛很高的事情，但掌握正确的方法，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。那些所有你认为必须的前置知识，都是可以在完成目标的过程中学到的。

 

基于python爬虫，我们整理了一个完整的学习框架：

筛选和甄别学习哪些知识，在哪里去获取资源是许多初学者共同面临的问题。

接下来，我们将学习框架进行拆解，分别对每个部分进行详细介绍和推荐一些相关资源，告诉你学什么、怎么学、在哪里学。

  爬虫简介

爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

这个定义看起来很生硬，我们换一种更好理解的解释：

我们作为用户获取网络数据的方式是浏览器提交请求->下载网页代码->解析/渲染成页面；

而爬虫的方式是模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中。

爬虫与我们的区别是，爬虫程序只提取网页代码中对我们有用的数据，并且爬虫抓取速度快，量级大。

随着数据的规模化，爬虫获取数据的高效性能越来越突出，能够做的事情越来越多：

·市场分析：电商分析、商圈分析、一二级市场分析等

·市场监控：电商、新闻、房源监控等

·商机发现：招投标情报发现、客户资料发掘、企业客户发现等

进行爬虫学习，首先要懂得是网页，那些我们肉眼可见的光鲜亮丽的网页是由HTML、css、javascript等网页源码所支撑起来的。

这些源码被浏览器所识别转换成我们看到的网页，这些源码里面必定存在着很多规律, 我们的爬虫就能按照这样的规律来爬取需要的信息。

无规矩不成方圆，Robots协议就是爬虫中的规矩，它告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。

通常是一个叫作robots.txt的文本文件，放在网站的根目录下。

  轻量级爬虫

 “获取数据——解析数据——存储数据”是爬虫的三部曲，大部分爬虫都是按这样的流程来进行，这其实也是模拟了我们使用浏览器获取网页信息的过程。

 

1、获取数据

爬虫第一步操作就是模拟浏览器向服务器发送请求，基于python，你不需要了解从数据的实现，HTTP、TCP、IP的网络传输结构，一直到服务器响应和应达的原理，因为python提供了功能齐全的类库来帮我们完成这些请求。

 

Python自带的标准库urllib2使用的较多，它是python内置的HTTP请求库，如果你只进行基本的爬虫网页抓取，那么urllib2足够用。

 

Requests的slogen是“Requests is the only Non-GMO HTTP library for Python, safe for humanconsumption”，相对urllib2，requests使用起来确实简洁很多，并且自带json解析器。

 

如果你需要爬取异步加载的动态网站，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。

 

对于爬虫来说，在能够爬取到数据地前提下当然是越快越好，显然传统地同步代码不能满足我们对速度地需求。

（ps：据国外数据统计：正常情况下我们请求同一个页面 100次的话，最少也得花费 30秒，但使用异步请求同一个页面 100次的话，只需要要 3秒左右。）

aiohttp是你值得拥有的一个库，aiohttp的异步操作借助于async/await关键字的写法变得更加简洁，架构更加清晰。使用异步请求库进行数据抓取时，会大大提高效率。

 

你可以根据自己的需求选择合适的请求库，但建议先从python自带的urllib开始，当然，你可以在学习时尝试所有的方式，以便更了解这些库的使用。

 

推荐请求库资源:

urllib2文档   https://dwz.cn/8hEGdsqD

requests文档   http://t.cn/8Fq1aXr

selenium文档  https://dwz.cn/DlL9j9hf

aiohttp文档   https://dwz.cn/hvndbuB4

2、解析数据

爬虫爬取的是爬取页面指定的部分数据值，而不是整个页面的数据，这时往往需要先进行数据的解析再进行存储。

从web上采集回来的数据的数据类型有很多种,主要有HTML、 javascript、JSON、XML等格式。

 

解析库的使用等价于在HTML中查找需要的信息时时使用正则，能够更加快捷地定位到具体的元素获取相应的信息。

 

Css选择器是一种快速定位元素的方法。

 

Pyqurrey使用lxml解析器进行快速在xml和html文档上操作，它提供了和jQuery类似的语法来解析HTML文档，支持CSS选择器，使用非常方便。

Beautiful Soup是借助网页的结构和属性等特性来解析网页的工具，能自动转换编码。支持Python标准库中的HTML解析器,还支持一些第三方的解析器。

Xpath最初是用来搜寻XML文档的，但是它同样适用于 HTML 文档的搜索。它提供了超过 100 个内建的函数。

这些函数用于字符串值、数值、日期和时间比较、节点和 QName 处理、序列处理、逻辑值等等，并且XQuery和XPointer都构建于XPath基础上。

Re正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

 

个人认为前端基础比较扎实的，用pyquery是最方便的，beautifulsoup也不错，re速度比较快，但是写正则比较麻烦。

当然了，既然用python，肯定还是自己用着方便最好。

 

推荐解析器资源：

pyquery  https://dwz.cn/1EwUKsEG

Beautifulsoup  http://t.im/ddfv

xpath教程   http://t.im/ddg2

re文档   http://t.im/ddg6

3、数据存储

 

当爬回来的数据量较小时，你可以使用文档的形式来储存，支持TXT、json、csv等格式。

 

但当数据量变大，文档的储存方式就行不通了，所以掌握一种数据库是必须的。

 

Mysql 作为关系型数据库的代表，拥有较为成熟的体系，成熟度很高，可以很好地去存储一些数据，但在在海量数据处理的时候效率会显著变慢，已然满足不了某些大数据的处理要求。

 

MongoDB已经流行了很长一段时间，相对于MySQL ，MongoDB可以方便你去存储一些非结构化的数据，比如各种评论的文本，图片的链接等等。

你也可以利用PyMongo，更方便地在Python中操作MongoDB。

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。

 

Redis是一个不折不扣的内存数据库，Redis 支持的数据结构丰富，包括hash、set、list等。

数据全部存在内存，访问速度快，可以存储大量的数据，一般应用于分布式爬虫的数据存储当中。

推荐数据库资源：

mysql文档  https://dev.mysql.com/doc/

mongoDB文档   https://docs.mongodb.com/     

redis文档   https://redis.io/documentation/

  工程化爬虫

掌握前面的技术你就可以实现轻量级的爬虫，一般量级的数据和代码基本没有问题。

但是在面对复杂情况的时候表现不尽人意，此时，强大的爬虫框架就非常有用了。

 

首先是出身名门的Apache顶级项目Nutch，它提供了我们运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，可以进行多机分布抓取，存储和索引。

另外很吸引人的一点在于，它提供了一种插件框架，使得其对各种网页内容的解析、各种数据的采集、查询、集群、过滤等功能能够方便的进行扩展。

 

其次是GitHub上众人star的scrapy，scary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。

学会scrapy，你可以自己去搭建一些爬虫框架，你就基本具备爬虫工程师的思维了。

 

最后Pyspider作为人气飙升的国内大神开发的框架，满足了绝大多数Python爬虫的需求 —— 定向抓取，结构化化解析。

它能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储等。

其功能强大到更像一个产品而不是一个框架。

 

这是三个最有代表性的爬虫框架，它们都有远超别人的有点，比如Nutch天生的搜索引擎解决方案、Pyspider产品级的WebUI、Scrapy最灵活的定制化爬取。

建议先从最接近爬虫本质的框架scary学起，再去接触人性化的Pyspider，为搜索引擎而生的Nutch。

 

推荐爬虫框架资源：

Nutch文档 http://nutch.apache.org/

scary文档  https://scrapy.org/

pyspider文档 http://t.im/ddgj

  反爬及应对措施

爬虫像一只虫子，密密麻麻地爬行到每一个角落获取数据，虫子或许无害，但总是不受欢迎的。

 

因为爬虫技术造成的大量IP访问网站侵占带宽资源、以及用户隐私和知识产权等危害，很多互联网企业都会花大力气进行“反爬虫”。

 

你的爬虫会遭遇比如被网站封IP、比如各种奇怪的验证码、userAgent访问限制、各种动态加载等等。

常见的反爬虫措施有：

·通过Headers反爬虫

·基于用户行为反爬虫

·基于动态页面的反爬虫

·字体反爬

.....

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，控制访问频率尽量保证一次加载页面加载且数据请求最小化，每个页面访问增加时间间隔；

禁止cookie可以防止可能使用cookies识别爬虫的网站来ban掉我们；

根据浏览器正常访问的请求头对爬虫的请求头进行修改，尽可能和浏览器保持一致等等。

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。

  分布式爬虫 

爬取基本数据已经没有问题，还能使用框架来面对一写较为复杂的数据，此时，就算遇到反爬，你也掌握了一些反反爬技巧。

 

你的瓶颈会集中到爬取海量数据的效率，这个时候相信你会很自然地接触到一个很厉害的名字：分布式爬虫。

 

分布式这个东西，听起来很恐怖，但其实就是利用多线程的原理将多台主机组合起来，共同完成一个爬取任务，需要你掌握 Scrapy +Redis+MQ+Celery 这些工具。

 

Scrapy 前面我们说过了，用于做基本的页面爬取， Redis 则用来存储要爬取的网页队列，也就是任务队列。

scarpy-redis就是用来在scrapy中实现分布式的组件，通过它可以快速实现简单分布式爬虫程序。

由于在高并发环境下，由于来不及同步处理，请求往往会发生堵塞，通过使用消息队列MQ，我们可以异步处理请求，从而缓解系统的压力。

RabbitMQ本身支持很多的协议：AMQP，XMPP, SMTP,STOMP，使的它变的非常重量级，更适合于企业级的开发。

Scrapy-rabbitmq-link是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件。

 

Celery 是一个简单、灵活且可靠的，处理大量消息的分布式系统。

支持 RabbitMQ、Redis 甚至其他数据库系统作为其消息代理中间件， 在处理异步任务、任务调度、处理定时任务、分布式调度等场景表现良好。

所以分布式爬虫只是听起来有些可怕，也不过如此。当你能够写分布式的爬虫的时候，那么你可以去尝试打造一些基本的爬虫架构了，实现一些更加自动化的数据获取。

 

推荐分布式资源：

scrapy-redis文档 http://t.im/ddgk

scrapy-rabbitmq文档  http://t.im/ddgn

celery文档  http://t.im/ddgr

你看，通过这条完整的学习路径走下来，爬虫对你来说根本不是问题。

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。

解锁每一个部分的知识点并且有针对性的去学习，走完这一条顺畅的学习之路，你就能掌握python爬虫。

推荐阅读

面对来势汹汹的AI大潮，你该如何应对？

Python奇淫技巧，5个数据可视化工具

尴尬顺丰

关于防止过拟合，整理了 8 条迭代方向！

Python效率工具 | SimpleHTTPServer

1000行 MySQL 学习笔记，不怕你不会，就怕你不学！

喜欢就点击“在看”吧！