Python爬蟲入門心得分享-Python教學-PHP中文網

Python爬蟲入門心得分享

小云云

發布： 2017-12-05 09:53:13

原創

4453 人瀏覽過

網路爬蟲是一種自動取得網頁內容的程序，也是搜尋引擎的重要組成部分。網路爬蟲為搜尋引擎從萬維網下載網頁。一般分為傳統爬蟲和聚焦爬蟲。

學爬蟲是循序漸進的過程，作為零基礎小白，大體上可分為三個階段，第一階段是入門，掌握必備的基礎知識，第二階段是模仿，跟著別人的爬蟲代碼學，弄清楚每一行程式碼，第三階段是自己動手，這個階段你開始有自己的解題想法了，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/HTTPS 協定的基本知識、正規表示式、資料庫知識，常用抓包工具的使用、爬蟲框架的使用、涉及大規模爬蟲，還需要了解分散式的概念、訊息佇列、常用的資料結構和演算法、緩存，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。爬蟲只是為了獲取數據，分析、挖掘這些數據才是價值，因此它還可以延伸到數據分析、數據挖掘等領域，給企業做決策，所以作為一名爬蟲工程師，是大有可為的。

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，當然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，知道怎麼使用函數、類別和常用的資料結構如 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，網路上有個 HTML 30分鐘入門教學夠用了。然後是關於 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 協定。作為入門爬蟲來說，你需要了解 HTTP協定的基本原理，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，理論與實踐結合。

網路請求框架都是對 HTTP 協定的實現，例如著名的網路請求庫 Requests 就是一個模擬瀏覽器發送 HTTP 請求的網路庫。在了解HTTP 協定之後，你就可以專門有針對性的學習和網路相關的模組了，例如Python 自帶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協定的基本內容。這裡不得不推薦的一本書是《圖解HTTP》。數據爬下來，大部分情況是HTML 文本，也有少數是基於XML 格式或Json 格式的數據，要想正確處理這些數據，你要熟悉每種數據類型的解決方案，例如JSON數據可以直接使用Python自帶的模組json，對於HTML 數據，可以使用BeautifulSoup、lxml 等函式庫去處理，對於xml 數據，除了可以使用untangle、xmltodict等第三方函式庫。

入門爬蟲，學習正規表示式並不是必須的，你可以在你真正需要的時候再去學，例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辦法處理時，這時你可以試著了解正規表示式，往往它能起到事半功倍的效果。 Python 的 re 模組可用於處理正規表示式。這裡也推薦幾個教程：正則表達式30分鐘入門教程Python正則表達式指南正則表達式完全指南

數據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，也可以用資料庫存儲，簡單的用sqlite，專業點用MySQL，或是分散式的文檔資料庫MongoDB，這些資料庫對Python都非常友好，有現成的函式庫支援。 Python操作MySQL資料庫透過Python連接資料庫

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，他們想辦法阻止你用非正常手段獲取數據，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、甚至對數據進行加密操作，總之，就是為了提高取得數據的成本。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天入門教學就能達到的高度。

資料結構和演算法

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優先隊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算法爬取下一個連結。每次發起網路請求的時候，都會牽涉到一個DNS的解析過程（將網址轉換成IP）為了避免重複地 DNS 解析，我們需要把解析好的 IP 快取下來。 URL那麼多，要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），用一個線程逐個地爬取數據，效率低得可憐，如果提高爬蟲效率，是使用多線程，多進程還是協程，還是分散式操作。