學好Python爬取京東知乎價值資料

利用爬蟲我們可以獲取大量的價值資料，從而獲得感性認識中不能得到的資訊，比如：

知乎：爬取優質答案，為你篩選出各話題下最優質的內容。

淘寶、京東：抓取商品、評論及銷量資料，對各種商品及使用者的消費場景進行分析。

安居客、鏈家：抓取房產買賣及租售資訊，分析房價變化趨勢、做不同區域的房價分析。

拉勾網、智聯：爬取各類職位資訊，分析各行業人才需求情況及薪資水平。

雪球網：抓取雪球高回報使用者的行為，對股票市場進行分析和預測。

對於小白來說，爬蟲可能是一件非常複雜、技術門檻很高的事情。比如有人認為學爬蟲必須精通 Python，然後哼哧哼哧系統學習 Python 的每個知識點，很久之後發現仍然爬不了資料；有的人則認為先要掌握網頁的知識，遂開始 HTMLCSS，結果入了前端的坑，瘁……

但掌握正確的方法，在短時間內做到能夠爬取主流網站的資料，其實非常容易實現，但建議你從一開始就要有一個具體的標的。

在標的的驅動下，你的學習才會更加精準和高效。那些所有你認為必須的前置知識，都是可以在完成標的的過程中學到的。這裡給你一條平滑的、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.瞭解非結構化資料的儲存

3.學習scrapy，搭建工程化爬蟲

4.學習資料庫知識，應對大規模資料儲存與提取

5.掌握各種技巧，應對特殊網站的反爬措施

6.分散式爬蟲，實現大規模併發採集，提升效率

01 學習 Python 包並實現基本的爬蟲過程

大部分爬蟲都是按“傳送請求——獲得頁面——解析頁面——抽取並儲存內容”這樣的流程來進行，這其實也是模擬了我們使用瀏覽器獲取網頁資訊的過程。

Python中爬蟲相關的包很多：urllib、requests、bs4、scrapy、pyspider 等，建議從requests+Xpath 開始，requests 負責連線網站，傳回網頁，Xpath 用於解析網頁，便於抽取資料。

如果你用過 BeautifulSoup，會發現 Xpath 要省事不少，一層一層檢查元素程式碼的工作，全都省略了。這樣下來基本套路都差不多，一般的靜態網站根本不在話下，豆瓣、糗事百科、騰訊新聞等基本上都可以上手了。

當然如果你需要爬取非同步載入的網站，可以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可以迎刃而解。

02 瞭解非結構化資料的儲存

爬回來的資料可以直接用檔案形式存在本地，也可以存入資料庫中。

開始資料量不大的時候，你可以直接透過 Python 的語法或 pandas 的方法將資料存為csv這樣的檔案。

當然你可能發現爬回來的資料並不是乾凈的，可能會有缺失、錯誤等等，你還需要對資料進行清洗，可以學習 pandas 包的基本用法來做資料的預處理，得到更乾凈的資料。

03 學習 scrapy，搭建工程化的爬蟲

掌握前面的技術一般量級的資料和程式碼基本沒有問題了，但是在遇到非常複雜的情況，可能仍然會力不從心，這個時候，強大的 scrapy 框架就非常有用了。

scrapy 是一個功能非常強大的爬蟲框架，它不僅能便捷地構建request，還有強大的 selector 能夠方便地解析 response，然而它最讓人驚喜的還是它超高的效能，讓你可以將爬蟲工程化、模組化。

學會 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。

04 學習資料庫基礎，應對大規模資料儲存

爬回來的資料量小的時候，你可以用檔案的形式來儲存，一旦資料量大了，這就有點行不通了。所以掌握一種資料庫是必須的，學習目前比較主流的 MongoDB 就OK。

MongoDB 可以方便你去儲存一些非結構化的資料，比如各種評論的文字，圖片的連結等等。你也可以利用PyMongo，更方便地在Python中操作MongoDB。

因為這裡要用到的資料庫知識其實非常簡單，主要是資料如何入庫、如何進行提取，在需要的時候再學習就行。

05 掌握各種技巧，應對特殊網站的反爬措施

當然，爬蟲過程中也會經歷一些絕望啊，比如被網站封IP、比如各種奇怪的驗證碼、userAgent訪問限制、各種動態載入等等。

遇到這些反爬蟲的手段，當然還需要一些高階的技巧來應對，常規的比如訪問頻率控制、使用代理IP池、抓包、驗證碼的OCR處理等等。

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

06 分散式爬蟲，實現大規模併發採集

爬取基本資料已經不是問題了，你的瓶頸會集中到爬取海量資料的效率。這個時候，相信你會很自然地接觸到一個很厲害的名字：分散式爬蟲。

分散式這個東西，聽起來很恐怖，但其實就是利用多執行緒的原理讓多個爬蟲同時工作，需要你掌握 Scrapy + MongoDB + Redis 這三種工具。

Scrapy 前面我們說過了，用於做基本的頁面爬取，MongoDB 用於儲存爬取的資料，Redis 則用來儲存要爬取的網頁佇列，也就是任務佇列。

所以有些東西看起來很嚇人，但其實分解開來，也不過如此。當你能夠寫分散式的爬蟲的時候，那麼你可以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資料獲取。

你看，這一條學習路徑下來，你已然可以成為老司機了，非常的順暢。所以在一開始的時候，儘量不要系統地去啃一些東西，找一個實際的專案（開始可以從豆瓣、小豬這種簡單的入手），直接開始就好。

因為爬蟲這種技術，既不需要你係統地精通一門語言，也不需要多麼高深的資料庫技術，高效的姿勢就是從實際的專案中去學習這些零散的知識點，你能保證每次學到的都是最需要的那部分。

當然唯一麻煩的是，在具體的問題中，如何找到具體需要的那部分學習資源、如何篩選和甄別，是很多初學者面臨的一個大問題。

來源：Python開發者