Python爬蟲知識點梳理
↑?關注 + 星標?，每天學Python新技能
后臺回復【大禮包】送你Python自學大禮包
學任何一門技術，都應該帶著目標去學習，目標就像一座燈塔，指引你前進，很多人學著學著就學放棄了，很大部分原因是沒有明確目標，所以，在你準備學爬蟲前，先問問自己為什么要學習爬蟲。有些人是為了一份工作，有些人是為了好玩，也有些人是為了實現(xiàn)某個黑科技功能。不過可以肯定的是，學會了爬蟲能給你的工作提供很多便利。
作為零基礎小白，大體上可分為三個階段去實現(xiàn)，第一階段是入門，掌握必備基礎知識，比如Python基礎、網(wǎng)絡請求的基本原理等，第二階段是模仿，跟著別人的爬蟲代碼學，弄懂每一行代碼，熟悉主流的爬蟲工具，第三階段是自己動手，到了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(tǒng)。
爬蟲涉及的技術包括但不限于熟練一門編程語言（這里以 Python 為例） HTML 知識、HTTP 協(xié)議的基本知識、正則表達式、數(shù)據(jù)庫知識，常用抓包工具的使用、爬蟲框架的使用、涉及到大規(guī)模爬蟲，還需要了解分布式的概念、消息隊列、常用的數(shù)據(jù)結構和算法、緩存，甚至還包括機器學習的應用，大規(guī)模的系統(tǒng)背后都是靠很多技術來支撐的。數(shù)據(jù)分析、挖掘、甚至是機器學習都離不開數(shù)據(jù)，而數(shù)據(jù)很多時候需要通過爬蟲來獲取，因此，即使把爬蟲作為一門專業(yè)來學也是有很大前途的。
那么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，寫代碼可比開車安全多了。
用 Python 寫爬蟲，首先需要會 Python，把基礎語法搞懂，知道怎么使用函數(shù)、類、list、dict 中的常用方法就算基本入門。接著你需要了解 HTML，HTML 就是一個文檔樹結構，網(wǎng)上有個 HTML 30分鐘入門教程 https://deerchao.net/tutorials/html/html.htm 夠用了。然后是關于 HTTP 的知識，爬蟲基本原理就是通過網(wǎng)絡請求從遠程服務器下載數(shù)據(jù)的過程，而這個網(wǎng)絡請求背后的技術就是基于 HTTP 協(xié)議。作為入門爬蟲來說，你需要了解 HTTP協(xié)議的基本原理，雖然 HTTP 規(guī)范用一本書都寫不完，但深入的內(nèi)容可以放以后慢慢去看，理論與實踐相結合。
網(wǎng)絡請求框架都是對 HTTP 協(xié)議的實現(xiàn)，比如著名的網(wǎng)絡請求庫 Requests 就是一個模擬瀏覽器發(fā)送 HTTP 請求的網(wǎng)絡庫。了解 HTTP 協(xié)議之后，你就可以專門有針對性的學習和網(wǎng)絡相關的模塊了，比如 Python 自帶有 urllib、urllib2（Python3中的urllib），httplib，Cookie等內(nèi)容，當然你可以直接跳過這些，直接學習 Requests 怎么用，前提是你熟悉了 HTTP協(xié)議的基本內(nèi)容，數(shù)據(jù)爬下來，大部分情況是 HTML 文本，也有少數(shù)是基于 XML 格式或者 Json 格式的數(shù)據(jù)，要想正確處理這些數(shù)據(jù)，你要熟悉每種數(shù)據(jù)類型的解決方案，比如 JSON 數(shù)據(jù)可以直接使用 Python自帶的模塊 json，對于 HTML 數(shù)據(jù)，可以使用 BeautifulSoup、lxml 等庫去處理，對于 xml 數(shù)據(jù)，除了可以使用 untangle、xmltodict 等第三方庫。
爬蟲工具里面，學會使用 Chrome 或者 FireFox 瀏覽器去審查元素，跟蹤請求信息等等，現(xiàn)在大部分網(wǎng)站有配有APP和手機瀏覽器訪問的地址，優(yōu)先使用這些接口，相對更容易。還有 Fiddler 等代理工具的使用。
入門爬蟲，學習正則表達式并不是必須的，你可以在你真正需要的時候再去學，比如你把數(shù)據(jù)爬取回來后，需要對數(shù)據(jù)進行清洗，當你發(fā)現(xiàn)使用常規(guī)的字符串操作方法根本沒法處理時，這時你可以嘗試了解一下正則表達式，往往它能起到事半功倍的效果。Python 的 re 模塊可用來處理正則表達式。這里也推薦一個教程：Python正則表達式指南 https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
數(shù)據(jù)清洗完最終要進行持久化存儲，你可以用文件存儲，比如CSV文件，也可以用數(shù)據(jù)庫存儲，簡單的用 sqlite，專業(yè)點用 MySQL，或者是分布式的文檔數(shù)據(jù)庫 MongoDB，這些數(shù)據(jù)庫對Python都非常友好，有現(xiàn)成的庫支持，你要做的就是熟悉這些 API 怎么使用。
從數(shù)據(jù)的抓取到清洗再到存儲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(nèi)功的時候了，很多網(wǎng)站都設有反爬蟲策略，他們想方設法阻止你用非正常手段獲取數(shù)據(jù)，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、甚至對數(shù)據(jù)進行加密操作，總之，就是為了提高獲取數(shù)據(jù)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(xié)議，你需要理解常見的加解密算法，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(tǒng)一的解決方案，靠的是你的經(jīng)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。
進行大規(guī)模爬蟲，通常都是從一個URL開始爬，然后把頁面中解析的URL鏈接加入待爬的URL集合中，我們需要用到隊列或者優(yōu)先隊列來區(qū)別對待有些網(wǎng)站優(yōu)先爬，有些網(wǎng)站后面爬。每爬去一個頁面，是使用深度優(yōu)先還是廣度優(yōu)先算法爬取下一個鏈接。每次發(fā)起網(wǎng)絡請求的時候，會涉及到一個DNS的解析過程（將網(wǎng)址轉(zhuǎn)換成IP）為了避免重復地 DNS 解析，我們需要把解析好的 IP 緩存下來。URL那么多，如何判斷哪些網(wǎng)址已經(jīng)爬過，哪些沒有爬過，簡單點就是是使用字典結構來存儲已經(jīng)爬過的的URL，但是如果碰過海量的URL時，字典占用的內(nèi)存空間非常大，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數(shù)據(jù)，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(xié)程，還是分布式操作。
推薦閱讀