一個月入門Python爬蟲，輕鬆爬取大規模資料

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 HTML\CSS，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

 – ❶ –

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。

 – ❷ –

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。

– ❸ – 

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。

– ❹ –

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。

– ❺ –

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。

 – ❻ –

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。

不過不用擔心，我們準備了一門非常系統的爬蟲課程，除了為你提供一條清晰的學習路徑，我們甄選了最實用的學習資源以及龐大的主流爬蟲案例庫。短時間的學習，你就能夠很好地掌握爬蟲這個技能，獲取你想得到的資料。

這門課已經開課一個月，已經有2000+同學加入。不少同學都取得了從0到1的進步，能夠寫出自己的爬蟲，爬取大規模資料。下麵是幾位同學的作業合集分享：

爬LOL英雄面板高畫質圖片

@沉默小熊貓

卡片裡面內容可以滑動

美團網餐飲商家的資訊爬取

@Chenchen

爬噹噹網各分類所有五星圖書

@ZhuNewNew

爬拉勾網職位資訊

@楠生

本來就想從事“資料分析師”這個崗位，所以就想瞭解這個崗位的薪資、要求、以及在我所生活城市的主要分佈點，而拉勾網是權威的網際網路行業招聘平臺，所以爬取拉勾網上的“資料分析師”職位資訊有很好的代表性。

最終爬到的資料存在MongoDB中如下：

學習翻頁的時候把引號添上執行時報了JSONDecodeError的錯，本人被引號折騰了許久，分享出來希望大家引以為戒。

踩了兩個坑之後，就開始做課後作業了，沒想到對於一個新手來說困難一茬茬。開始我的思路是找連線，但是採集的資料裡沒有連線，所以就點選進入詳情頁面，看有什麼規律沒？然後就嘗試著多次點選各詳情頁面，發現頁面的數字和採集的某個資料能匹配。例如：

某個詳情頁面

找到突破口就開始行動：

多次嘗試（還是費了一些時間）：request url和網址是一樣的，那突破口就算找到，資料是DOC格式，request method :get,那就是又回到了熟悉的戰場了。

思路：遍歷positionId，用format,如：

詳情網頁

部分資料：

一次次嘗試，最佳化後的程式碼，這個主要是學習和創作的過程（爬取詳情頁面是我的傑作)。

如果你希望在短時間內學會爬蟲，少走彎路

掃描下方二維碼加入課程

年末限時折扣¥339（原價399），限前100名

– 高效的學習路徑 –

一上來就講理論、語法、程式語言是非常不合理的，我們會直接從具體的案例入手，透過實際的操作，學習具體的知識點。我們為你規劃了一條系統的學習路徑，讓你不再面對零散的知識點。

說點具體的，比如我們會直接用 lxml+Xpath取代 BeautifulSoup 來進行網頁解析，減少你不必要的檢查網頁元素的操作，多種工具都能完成的，我們會給你最簡單的方法，這些看似細節，但可能是很多人都會踩的坑。