Python爬蟲(chóng)基礎(chǔ)知識(shí)點(diǎn)分析

　　做數(shù)據(jù)分析和任何一門(mén)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(méi)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(chóng)前，先問(wèn)問(wèn)自己為什么要學(xué)習(xí)爬蟲(chóng)。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(shí)現(xiàn)某個(gè)黑科技功能。不過(guò)可以肯定的是，學(xué)會(huì)了爬蟲(chóng)能給你的工作提供很多便利。

　　小白入門(mén)必讀

　　作為零基礎(chǔ)小白，大體上可分為三個(gè)階段去實(shí)現(xiàn)。

　　第一階段是入門(mén)，掌握必備基礎(chǔ)知識(shí)，比如Python基礎(chǔ)、網(wǎng)絡(luò)請(qǐng)求的基本原理等；

　　第二階段是模仿，跟著別人的爬蟲(chóng)代碼學(xué)，弄懂每一行代碼，熟悉主流的爬蟲(chóng)工具，

　　第三階段是自己動(dòng)手，到了這個(gè)階段你開(kāi)始有自己的解題思路了，可以獨(dú)立設(shè)計(jì)爬蟲(chóng)系統(tǒng)。

　　爬蟲(chóng)涉及的技術(shù)包括但不限于熟練一門(mén)編程語(yǔ)言（這里以Python為例）HTML知識(shí)、HTTP協(xié)議的基本知識(shí)、正則表達(dá)式、數(shù)據(jù)庫(kù)知識(shí)，常用抓包工具的使用、爬蟲(chóng)框架的使用、涉及到大規(guī)模爬蟲(chóng)，還需要了解分布式的概念、消息隊(duì)列、常用的數(shù)據(jù)結(jié)構(gòu)和算法、緩存，甚至還包括機(jī)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(lái)支撐的。數(shù)據(jù)分析、挖掘、甚至是機(jī)器學(xué)習(xí)都離不開(kāi)數(shù)據(jù)，而數(shù)據(jù)很多時(shí)候需要通過(guò)爬蟲(chóng)來(lái)獲取，因此，即使把爬蟲(chóng)作為一門(mén)專(zhuān)業(yè)來(lái)學(xué)也是有很大前途的。

　　那么是不是一定要把上面的知識(shí)全學(xué)完了才可以開(kāi)始寫(xiě)爬蟲(chóng)嗎？當(dāng)然不是，學(xué)習(xí)是一輩子的事，只要你會(huì)寫(xiě)Python代碼了，就直接上手爬蟲(chóng)，好比學(xué)車(chē)，只要能開(kāi)動(dòng)了就上路吧，寫(xiě)代碼可比開(kāi)車(chē)安全多了。

　　用Python寫(xiě)爬蟲(chóng)

　　首先需要會(huì)Python，把基礎(chǔ)語(yǔ)法搞懂，知道怎么使用函數(shù)、類(lèi)、list、dict中的常用方法就算基本入門(mén)。接著你需要了解HTML，HTML就是一個(gè)文檔樹(shù)結(jié)構(gòu)，網(wǎng)上有個(gè)HTML30分鐘入門(mén)教程https://deerchao.net/tutorials/html/html.htm夠用了。

　　關(guān)于HTTP的知識(shí)

　　爬蟲(chóng)基本原理就是通過(guò)網(wǎng)絡(luò)請(qǐng)求從遠(yuǎn)程服務(wù)器下載數(shù)據(jù)的過(guò)程，而這個(gè)網(wǎng)絡(luò)請(qǐng)求背后的技術(shù)就是基于HTTP協(xié)議。作為入門(mén)爬蟲(chóng)來(lái)說(shuō)，你需要了解HTTP協(xié)議的基本原理，雖然HTTP規(guī)范用一本書(shū)都寫(xiě)不完，但深入的內(nèi)容可以放以后慢慢去看，理論與實(shí)踐相結(jié)合。

　　網(wǎng)絡(luò)請(qǐng)求框架都是對(duì)HTTP協(xié)議的實(shí)現(xiàn)，比如著名的網(wǎng)絡(luò)請(qǐng)求庫(kù)Requests就是一個(gè)模擬瀏覽器發(fā)送HTTP請(qǐng)求的網(wǎng)絡(luò)庫(kù)。了解HTTP協(xié)議之后，你就可以專(zhuān)門(mén)有針對(duì)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(guò)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(lái)，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(lèi)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(duì)于HTML數(shù)據(jù)，可以使用BeautifulSoup、lxml等庫(kù)去處理，對(duì)于xml數(shù)據(jù)，除了可以使用untangle、xmltodict等第三方庫(kù)。

　　爬蟲(chóng)工具

　　爬蟲(chóng)工具里面，學(xué)會(huì)使用Chrome或者FireFox瀏覽器去審查元素，跟蹤請(qǐng)求信息等等，現(xiàn)在大部分網(wǎng)站有配有APP和手機(jī)瀏覽器訪問(wèn)的地址，優(yōu)先使用這些接口，相對(duì)更容易。還有Fiddler等代理工具的使用。

　　入門(mén)爬蟲(chóng)，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(shí)候再去學(xué)，比如你把數(shù)據(jù)爬取回來(lái)后，需要對(duì)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(méi)法處理時(shí)，這時(shí)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(lái)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(chǔ)，你可以用文件存儲(chǔ)，比如CSV文件，也可以用數(shù)據(jù)庫(kù)存儲(chǔ)，簡(jiǎn)單的用SQLite，專(zhuān)業(yè)點(diǎn)用MySQL，或者是分布式的文檔數(shù)據(jù)庫(kù)MongoDB，這些數(shù)據(jù)庫(kù)對(duì)Python都非常友好，有現(xiàn)成的庫(kù)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(chǔ)的基本流程都走完了，也算是基本入門(mén)了，接下來(lái)就是考驗(yàn)內(nèi)功的時(shí)候了，很多網(wǎng)站都設(shè)有反爬蟲(chóng)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(huì)有各種奇奇怪怪的驗(yàn)證碼限制你的請(qǐng)求操作、對(duì)請(qǐng)求速度做限制，對(duì)IP做限制、甚至對(duì)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(shí)你需要掌握的知識(shí)就要更多了，你需要深入理解HTTP協(xié)議，你需要理解常見(jiàn)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(chóng)與反爬蟲(chóng)就是相愛(ài)相殺的一對(duì)，道高一次魔高一丈。

　　如何應(yīng)對(duì)反爬蟲(chóng)沒(méi)有既定的統(tǒng)一的解決方案，靠的是你的經(jīng)驗(yàn)以及你所掌握的知識(shí)體系。這不是僅憑21天入門(mén)教程就能達(dá)到的高度。

　　進(jìn)行大規(guī)模爬蟲(chóng)，通常都是從一個(gè)URL開(kāi)始爬，然后把頁(yè)面中解析的URL鏈接加入待爬的URL集合中，我們需要用到隊(duì)列或者優(yōu)先隊(duì)列來(lái)區(qū)別對(duì)待有些網(wǎng)站優(yōu)先爬，有些網(wǎng)站后面爬。每爬去一個(gè)頁(yè)面，是使用深度優(yōu)先還是廣度優(yōu)先算法爬取下一個(gè)鏈接。每次發(fā)起網(wǎng)絡(luò)請(qǐng)求的時(shí)候，會(huì)涉及到一個(gè)DNS的解析過(guò)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(lái)。URL那么多，如何判斷哪些****已經(jīng)爬過(guò)，哪些沒(méi)有爬過(guò)，簡(jiǎn)單點(diǎn)就是是使用字典結(jié)構(gòu)來(lái)存儲(chǔ)已經(jīng)爬過(guò)的的URL，但是如果碰過(guò)海量的URL時(shí)，字典占用的內(nèi)存空間非常大，此時(shí)你需要考慮使用BloomFilter（布隆過(guò)濾器），用一個(gè)線程逐個(gè)地爬取數(shù)據(jù)，效率低得可憐，如果提高爬蟲(chóng)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(shí)踐。

　　通過(guò)詳細(xì)的了解扣丁學(xué)堂關(guān)于Python爬蟲(chóng)知識(shí)點(diǎn)的詳細(xì)梳理，是否對(duì)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(tuán)對(duì)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(dòng)起來(lái)吧！扣丁學(xué)堂Python技術(shù)交流群：816572891。