如何入門 Python 爬蟲

現(xiàn)在之所以有這么多的小伙伴熱衷于爬蟲技術(shù)，無外乎是因?yàn)榕老x可以幫我們做很多事情，比如搜索引擎、采集數(shù)據(jù)、廣告過濾等，以Python為例，Python爬蟲可以用于數(shù)據(jù)分析，在數(shù)據(jù)抓取方面發(fā)揮巨大的作用。
但是這并不意味著單純掌握一門Python語言，就對(duì)爬蟲技術(shù)觸類旁通，要學(xué)習(xí)的知識(shí)和規(guī)范還有喜很多，包括但不僅限于HTML 知識(shí)、HTTP/HTTPS 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、爬蟲框架的使用等。而且涉及到大規(guī)模爬蟲，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)來支撐的。
零基礎(chǔ)如何學(xué)爬蟲技術(shù)？對(duì)于迷茫的初學(xué)者來說，爬蟲技術(shù)起步學(xué)習(xí)階段，最重要的就是明確學(xué)習(xí)路徑，找準(zhǔn)學(xué)習(xí)方法，唯有如此，在良好的學(xué)習(xí)習(xí)慣督促下，后期的系統(tǒng)學(xué)習(xí)才會(huì)事半功倍，游刃有余。
用Python寫爬蟲，首先需要會(huì)Python，把基礎(chǔ)語法搞懂，知道怎么使用函數(shù)、類和常用的數(shù)據(jù)結(jié)構(gòu)如list、dict中的常用方法就算基本入門。作為入門爬蟲來說，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(shí)踐相結(jié)合后期學(xué)習(xí)才會(huì)越來越輕松。關(guān)于爬蟲學(xué)習(xí)的具體步驟，我大概羅列了以下幾大部分，大家可以參考：
網(wǎng)絡(luò)爬蟲基礎(chǔ)知識(shí):
爬蟲的定義
爬蟲的作用
Http協(xié)議
基本抓包工具(Fiddler)使用
Python模塊實(shí)現(xiàn)爬蟲：
urllib3、requests、lxml、bs4 模塊大體作用講解
使用requests模塊 get 方式獲取靜態(tài)頁(yè)面數(shù)據(jù)
使用requests模塊 post 方式獲取靜態(tài)頁(yè)面數(shù)據(jù)
使用requests模塊獲取 ajax 動(dòng)態(tài)頁(yè)面數(shù)據(jù)
使用requests模塊模擬登錄網(wǎng)站
使用Tesseract進(jìn)行驗(yàn)證碼識(shí)別
Scrapy框架與Scrapy-Redis：
Scrapy 爬蟲框架大體說明
Scrapy spider 類
Scrapy item 及 pipeline
Scrapy 類
通過Scrapy-Redis 實(shí)現(xiàn)分布式爬蟲
借助自動(dòng)化測(cè)試工具和瀏覽器爬取數(shù)據(jù)：
Selenium + PhantomJS 說明及簡(jiǎn)單實(shí)例
Selenium + PhantomJS 實(shí)現(xiàn)網(wǎng)站登錄
Selenium + PhantomJS 實(shí)現(xiàn)動(dòng)態(tài)頁(yè)面數(shù)據(jù)爬取
爬蟲項(xiàng)目實(shí)戰(zhàn)：
分布式爬蟲+ 打造搜索引擎

Python爬蟲是什么？

網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò)機(jī)器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁(yè)追逐者），是一種按照一定的規(guī)則，自動(dòng)地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動(dòng)索引、模擬程序或者蠕蟲。
其實(shí)通俗的講就是通過程序去獲取web頁(yè)面上自己想要的數(shù)據(jù)，也就是自動(dòng)抓取數(shù)據(jù)。
爬蟲可以做什么？
你可以用爬蟲爬圖片，爬取視頻等等你想要爬取的數(shù)據(jù)，只要你能通過瀏覽器訪問的數(shù)據(jù)都可以通過爬蟲獲取。
爬蟲的本質(zhì)是什么？
模擬瀏覽器打開網(wǎng)頁(yè)，獲取網(wǎng)頁(yè)中我們想要的那部分?jǐn)?shù)據(jù)
瀏覽器打開網(wǎng)頁(yè)的過程：
當(dāng)你在瀏覽器中輸入地址后，經(jīng)過DNS服務(wù)器找到服務(wù)器主機(jī)，向服務(wù)器發(fā)送一個(gè)請(qǐng)求，服務(wù)器經(jīng)過解析后發(fā)送給用戶瀏覽器結(jié)果，包括html,js,css等文件內(nèi)容，瀏覽器解析出來*呈現(xiàn)給用戶在瀏覽器上看到的結(jié)果。
所以用戶看到的瀏覽器的結(jié)果就是由HTML代碼構(gòu)成的，我們爬蟲就是為了獲取這些內(nèi)容，通過分析和過濾html代碼，從中獲取我們想要資源。

如何用Python爬蟲抓取網(wǎng)頁(yè)內(nèi)容?

爬蟲流程
其實(shí)把網(wǎng)絡(luò)爬蟲抽象開來看，它無外乎包含如下幾個(gè)步驟
模擬請(qǐng)求網(wǎng)頁(yè)。模擬瀏覽器，打開目標(biāo)網(wǎng)站。
獲取數(shù)據(jù)。打開網(wǎng)站之后，就可以自動(dòng)化的獲取我們所需要的網(wǎng)站數(shù)據(jù)。
保存數(shù)據(jù)。拿到數(shù)據(jù)之后，需要持久化到本地文件或者數(shù)據(jù)庫(kù)等存儲(chǔ)設(shè)備中。
那么我們?cè)撊绾问褂?Python 來編寫自己的爬蟲程序呢，在這里我要重點(diǎn)介紹一個(gè) Python 庫(kù)：Requests。
Requests 使用
Requests 庫(kù)是 Python 中發(fā)起 HTTP 請(qǐng)求的庫(kù)，使用非常方便簡(jiǎn)單。
模擬發(fā)送 HTTP 請(qǐng)求
發(fā)送 GET 請(qǐng)求
當(dāng)我們用瀏覽器打開豆瓣首頁(yè)時(shí)，其實(shí)發(fā)送的最原始的請(qǐng)求就是 GET 請(qǐng)求
import requests
res = requests.get('
print(res)
print(type(res))
>>>

python爬蟲入門教程

很簡(jiǎn)單，三步，用爬蟲框架scrapy
1. 定義item類
2. 開發(fā)spider類
3. 開發(fā)pipeline
如果有不會(huì)的，可以看一看《瘋狂python講義》

如何用Python做爬蟲

1）首先你要明白爬蟲怎樣工作。
想象你是一只蜘蛛，現(xiàn)在你被放到了互聯(lián)“網(wǎng)”上。那么，你需要把所有的網(wǎng)頁(yè)都看一遍。怎么辦呢？沒問題呀，你就隨便從某個(gè)地方開始，比如說人民日?qǐng)?bào)的首頁(yè)，這個(gè)叫initial pages，用$表示吧。
在人民日?qǐng)?bào)的首頁(yè)，你看到那個(gè)頁(yè)面引向的各種鏈接。于是你很開心地從爬到了“國(guó)內(nèi)新聞”那個(gè)頁(yè)面。太好了，這樣你就已經(jīng)爬完了倆頁(yè)面（首頁(yè)和國(guó)內(nèi)新聞）！暫且不用管爬下來的頁(yè)面怎么處理的，你就想象你把這個(gè)頁(yè)面完完整整抄成了個(gè)html放到了你身上。
突然你發(fā)現(xiàn)， 在國(guó)內(nèi)新聞這個(gè)頁(yè)面上，有一個(gè)鏈接鏈回“首頁(yè)”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因?yàn)槟阋呀?jīng)看過了啊。所以，你需要用你的腦子，存下你已經(jīng)看過的頁(yè)面地址。這樣，每次看到一個(gè)可能需要爬的新鏈接，你就先查查你腦子里是不是已經(jīng)去過這個(gè)頁(yè)面地址。如果去過，那就別去了。
好的，理論上如果所有的頁(yè)面可以從initial page達(dá)到的話，那么可以證明你一定可以爬完所有的網(wǎng)頁(yè)。
那么在python里怎么實(shí)現(xiàn)呢？
很簡(jiǎn)單
import Queue
initial_page = "初始化頁(yè)"
url_queue = Queue.Queue()
seen = set()
seen.insert(initial_page)
url_queue.put(initial_page)
while(True): #一直進(jìn)行直到海枯石爛
if url_queue.size()>0:
current_url = url_queue.get() #拿出隊(duì)例中*個(gè)的url
store(current_url) #把這個(gè)url代表的網(wǎng)頁(yè)存儲(chǔ)好
for next_url in extract_urls(current_url): #提取把這個(gè)url里鏈向的url
if next_url not in seen:
seen.put(next_url)
url_queue.put(next_url)
else:
break
寫得已經(jīng)很偽代碼了。
所有的爬蟲的backbone都在這里，下面分析一下為什么爬蟲事實(shí)上是個(gè)非常復(fù)雜的東西——搜索引擎公司通常有一整個(gè)團(tuán)隊(duì)來維護(hù)和開發(fā)。
2）效率
如果你直接加工一下上面的代碼直接運(yùn)行的話，你需要一整年才能爬下整個(gè)豆瓣的內(nèi)容。更別說Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了。
問題出在哪呢？需要爬的網(wǎng)頁(yè)實(shí)在太多太多了，而上面的代碼太慢太慢了。設(shè)想全網(wǎng)有N個(gè)網(wǎng)站，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁(yè)要遍歷一次，而每次判重用set的話需要log(N)的復(fù)雜度。OK，OK，我知道python的set實(shí)現(xiàn)是hash——不過這樣還是太慢了，至少內(nèi)存使用效率不高。
通常的判重做法是怎樣呢？Bloom Filter. 簡(jiǎn)單講它仍然是一種hash的方法，但是它的特點(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長(zhǎng)）以O(shè)(1)的效率判定url是否已經(jīng)在set中?？上煜聸]有白吃的午餐，它的*問題在于，如果這個(gè)url不在set中，BF可以*確定這個(gè)url沒有看過。但是如果這個(gè)url在set中，它會(huì)告訴你：這個(gè)url應(yīng)該已經(jīng)出現(xiàn)過，不過我有2%的不確定性。注意這里的不確定性在你分配的內(nèi)存足夠大的時(shí)候，可以變得很小很少。一個(gè)簡(jiǎn)單的教程:Bloom Filters by Example
注意到這個(gè)特點(diǎn)，url如果被看過，那么可能以小概率重復(fù)看一看（沒關(guān)系，多看看不會(huì)累死）。但是如果沒被看過，一定會(huì)被看一下（這個(gè)很重要，不然我們就要漏掉一些網(wǎng)頁(yè)了?。?。 [IMPORTANT: 此段有問題，請(qǐng)暫時(shí)略過]
好，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個(gè)瓶頸——你只有一臺(tái)機(jī)器。不管你的帶寬有多大，只要你的機(jī)器下載網(wǎng)頁(yè)的速度是瓶頸的話，那么你只有加快這個(gè)速度。用一臺(tái)機(jī)子不夠的話——用很多臺(tái)吧！當(dāng)然，我們假設(shè)每臺(tái)機(jī)子都已經(jīng)進(jìn)了*的效率——使用多線程（python的話，多進(jìn)程吧）。
3）集群化抓取
爬取豆瓣的時(shí)候，我總共用了100多臺(tái)機(jī)器晝夜不停地運(yùn)行了一個(gè)月。想象如果只用一臺(tái)機(jī)子你就得運(yùn)行100個(gè)月了...
那么，假設(shè)你現(xiàn)在有100臺(tái)機(jī)器可以用，怎么用python實(shí)現(xiàn)一個(gè)分布式的爬取算法呢？
我們把這100臺(tái)中的99臺(tái)運(yùn)算能力較小的機(jī)器叫作slave，另外一臺(tái)較大的機(jī)器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個(gè)queue放到這臺(tái)master機(jī)器上，所有的slave都可以通過網(wǎng)絡(luò)跟master聯(lián)通，每當(dāng)一個(gè)slave完成下載一個(gè)網(wǎng)頁(yè)，就向master請(qǐng)求一個(gè)新的網(wǎng)頁(yè)來抓取。而每次slave新抓到一個(gè)網(wǎng)頁(yè)，就把這個(gè)網(wǎng)頁(yè)上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現(xiàn)在master只發(fā)送確定沒有被訪問過的url給slave。Bloom Filter放到master的內(nèi)存里，而被訪問過的url放到運(yùn)行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問效率見:LINSERT – Redis)
考慮如何用python實(shí)現(xiàn)：
在各臺(tái)slave上裝好scrapy，那么各臺(tái)機(jī)子就變成了一臺(tái)有抓取能力的slave，在master上裝好Redis和rq用作分布式隊(duì)列。
代碼于是寫成
#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
_queue = ()
bf = ()
initial_pages = "www..com"
while(True):
if request == 'GET':
if _queue.size()>0:
send(_queue.get())
else:
break
elif request == 'POST':
bf.put(request.url)
好的，其實(shí)你能想到，有人已經(jīng)給你寫好了你需要的：darkrho/scrapy-redis · GitHub
4）展望及后處理
雖然上面用很多“簡(jiǎn)單”，但是真正要實(shí)現(xiàn)一個(gè)商業(yè)規(guī)?？捎玫呐老x并不是一件容易的事。上面的代碼用來爬一個(gè)整體的網(wǎng)站幾乎沒有太大的問題。
但是如果附加上你需要這些后續(xù)處理，比如
有效地存儲(chǔ)（數(shù)據(jù)庫(kù)應(yīng)該怎樣安排）
有效地判重（這里指網(wǎng)頁(yè)判重，咱可不想把人民日?qǐng)?bào)和抄襲它的大民日?qǐng)?bào)都爬一遍）
有效地信息抽取（比如怎么樣抽取出網(wǎng)頁(yè)上所有的地址抽取出來，“朝陽(yáng)區(qū)奮進(jìn)路*道”），搜索引擎通常不需要存儲(chǔ)所有的信息，比如圖片我存來干嘛...
及時(shí)更新（預(yù)測(cè)這個(gè)網(wǎng)頁(yè)多久會(huì)更新一次）
如你所想，這里每一個(gè)點(diǎn)都可以供很多研究者十?dāng)?shù)年的研究。雖然如此，
“路漫漫其修遠(yuǎn)兮,吾將上下而求索”。
所以，不要問怎么入門，直接上路就好了：）

python爬蟲需要什么基礎(chǔ)

1. 學(xué)習(xí)Python基礎(chǔ)知識(shí)并實(shí)現(xiàn)基本的爬蟲過程

一般獲取數(shù)據(jù)的過程都是按照 發(fā)送請(qǐng)求-獲得頁(yè)面反饋-解析并且存儲(chǔ)數(shù)據(jù) 這三個(gè)流程來實(shí)現(xiàn)的。這個(gè)過程其實(shí)就是模擬了一個(gè)人工瀏覽網(wǎng)頁(yè)的過程。

Python中爬蟲相關(guān)的包很多：urllib、requests、bs4、scrapy、pyspider 等，我們可以按照requests
負(fù)責(zé)連接網(wǎng)站，返回網(wǎng)頁(yè)，Xpath 用于解析網(wǎng)頁(yè)，便于抽取數(shù)據(jù)。

2.了解非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)

爬蟲抓取的數(shù)據(jù)結(jié)構(gòu)復(fù)雜 傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)庫(kù)可能并不是特別適合我們使用。我們前期推薦使用MongoDB 就可以。

3. 掌握一些常用的反爬蟲技巧

使用代理IP池、抓包、驗(yàn)證碼的OCR處理等處理方式即可以解決大部分網(wǎng)站的反爬蟲策略。

4.了解分布式存儲(chǔ)

分布式這個(gè)東西，聽起來很恐怖，但其實(shí)就是利用多線程的原理讓多個(gè)爬蟲同時(shí)工作，需要你掌握 Scrapy + MongoDB + Redis
這三種工具就可以了。