Python爬蟲基礎(chǔ)知識點分析

　　做數(shù)據(jù)分析和任何一門技術(shù)一樣，都應(yīng)該帶著目標(biāo)去學(xué)習(xí)，目標(biāo)就像一座燈塔，指引你前進(jìn)，很多人學(xué)著學(xué)著就學(xué)放棄了，很大部分原因是沒有明確目標(biāo)，所以，一定要明確學(xué)習(xí)目的，在你準(zhǔn)備學(xué)爬蟲前，先問問自己為什么要學(xué)習(xí)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(xué)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(chǔ)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(chǔ)知識，比如Python基礎(chǔ)、網(wǎng)絡(luò)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(xué)，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(shè)計爬蟲系統(tǒng)。

　　爬蟲涉及的技術(shù)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(dá)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(jié)構(gòu)和算法、緩存，甚至還包括機器學(xué)習(xí)的應(yīng)用，大規(guī)模的系統(tǒng)背后都是靠很多技術(shù)來支撐的。數(shù)據(jù)分析、挖掘、甚至是機器學(xué)習(xí)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(xué)也是有很大前途的。

　　那么是不是一定要把上面的知識全學(xué)完了才可以開始寫爬蟲嗎？當(dāng)然不是，學(xué)習(xí)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(xué)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(chǔ)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(jié)構(gòu)，網(wǎng)上有個HTML30分鐘入門教程https://deerchao.net/tutorials/html/html.htm夠用了。

　　關(guān)于HTTP的知識

　　爬蟲基本原理就是通過網(wǎng)絡(luò)請求從遠(yuǎn)程服務(wù)器下載數(shù)據(jù)的過程，而這個網(wǎng)絡(luò)請求背后的技術(shù)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(jié)合。

　　網(wǎng)絡(luò)請求框架都是對HTTP協(xié)議的實現(xiàn)，比如著名的網(wǎng)絡(luò)請求庫Requests就是一個模擬瀏覽器發(fā)送HTTP請求的網(wǎng)絡(luò)庫。了解HTTP協(xié)議之后，你就可以專門有針對性的學(xué)習(xí)和網(wǎng)絡(luò)相關(guān)的模塊了，比如Python自帶有urllib、urllib2（Python3中的urllib），httplib，Cookie等內(nèi)容，當(dāng)然你可以直接跳過這些，直接學(xué)習(xí)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

　　爬蟲工具里面，學(xué)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(xué)習(xí)正則表達(dá)式并不是必須的，你可以在你真正需要的時候再去學(xué)，比如你把數(shù)據(jù)爬取回來后，需要對數(shù)據(jù)進(jìn)行清洗，當(dāng)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(dá)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(dá)式。

　　數(shù)據(jù)清洗

　　數(shù)據(jù)清洗完最終要進(jìn)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。

　　進(jìn)階之路

　　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(shè)有反爬蟲策略，他們想方設(shè)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(jìn)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(yīng)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(dá)到的高度。

　　進(jìn)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(luò)請求的時候，會涉及到一個DNS的解析過程（將****轉(zhuǎn)換成IP）為了避免重復(fù)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****已經(jīng)爬過，哪些沒有爬過，簡單點就是是使用字典結(jié)構(gòu)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BloomFilter（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(jìn)程還是協(xié)程，還是分布式操作，都需要反復(fù)實踐。

　　通過詳細(xì)的了解扣丁學(xué)堂關(guān)于Python爬蟲知識點的詳細(xì)梳理，是否對扣丁學(xué)堂的了解想要更進(jìn)一步啊，我們扣丁學(xué)堂不僅僅有師資雄厚的教學(xué)團對以及配套的Python學(xué)習(xí)視頻等線上教學(xué)，還有額外的推薦就業(yè)等福利，因此，有想法的學(xué)生還在等什么啊，趕快行動起來吧！扣丁學(xué)堂Python技術(shù)交流群：816572891。