從0到1：Python爬蟲知識點梳理

做資料分析和任何一門技術一樣，都應該帶著標的去學習，標的就像一座燈塔，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標的，所以，一定要明確學習目的，在你準備學爬蟲前，先問問自己為什麼要學習爬蟲。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。

小白入門必讀

作為零基礎小白，大體上可分為三個階段去實現。

第一階段是入門，掌握必備基礎知識，比如Python基礎、網路請求的基本原理等；

第二階段是模仿，跟著別人的爬蟲程式碼學，弄懂每一行程式碼，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。

爬蟲涉及的技術包括但不限於熟練一門程式語言（這裡以 Python 為例） HTML 知識、HTTP 協議的基本知識、正則運算式、資料庫知識，常用抓包工具的使用、爬蟲框架的使用、涉及到大規模爬蟲，還需要瞭解分散式的概念、訊息佇列、常用的資料結構和演演算法、快取，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。資料分析、挖掘、甚至是機器學習都離不開資料，而資料很多時候需要透過爬蟲來獲取，因此，即使把爬蟲作為一門專業來學也是有很大前途的。

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 程式碼了，就直接上手爬蟲，好比學車，只要能開動了就上路吧，寫程式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，知道怎麼使用函式、類、list、dict 中的常用方法就算基本入門。接著你需要瞭解 HTML，HTML 就是一個檔案樹結構，網上有個 HTML 30分鐘入門教程 https://deerchao.net/tutorials/html/html.htm 夠用了。

■關於 HTTP 的知識

爬蟲基本原理就是透過網路請求從遠端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。

網路請求框架都是對 HTTP 協議的實現，比如著名的網路請求庫 Requests 就是一個模擬瀏覽器傳送 HTTP 請求的網路庫。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 自帶有 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，資料爬下來，大部分情況是 HTML 文字，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，你要熟悉每種資料型別的解決方案，比如 JSON 資料可以直接使用 Python自帶的模組 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。

■爬蟲工具

爬蟲工具裡面，學會使用 Chrome 或者 FireFox 瀏覽器去審查元素，跟蹤請求資訊等等，現在大部分網站有配有APP和手機瀏覽器訪問的地址，優先使用這些介面，相對更容易。還有 Fiddler 等代理工具的使用。

入門爬蟲，學習正則運算式並不是必須的，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正則運算式，往往它能起到事半功倍的效果。Python 的 re 模組可用來處理正則運算式。這裡也推薦一個教程：Python正則運算式指南https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

■資料清洗

資料清洗完最終要進行持久化儲存，你可以用檔案儲存，比如CSV檔案，也可以用資料庫儲存，簡單的用 sqlite，專業點用 MySQL，或者是分散式的檔案資料庫 MongoDB，這些資料庫對Python都非常友好，有現成的庫支援，你要做的就是熟悉這些 API 怎麼使用。

進階之路

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獲取資料，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，就是為了提高獲取資料的成本。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。

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，我們需要用到佇列或者優先佇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）為了避免重覆地 DNS 解析，我們需要把解析好的 IP 快取下來。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），用一個執行緒逐個地爬取資料，效率低得可憐，如果提高爬蟲效率，是使用多執行緒，多行程還是協程，還是分散式操作，都需要反覆實踐。

作者：劉志軍，6年+Python使用經驗， 高階開發工程師，目前在網際網路醫療行業從事Web系統構架工作

來源：Python之禪