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，無外乎是因為爬蟲可以幫我們做很多事情，比如搜索引擎、采集數(shù)據、廣告過濾等，以Python為例，Python爬蟲可以用于數(shù)據分析，在數(shù)據抓取方面發(fā)揮巨大的作用。
但是這并不意味著單純掌握一門Python語言，就對爬蟲技術觸類旁通，要學習的知識和規(guī)范還有喜很多，包括但不僅限于HTML 知識、HTTP/HTTPS 協(xié)議的基本知識、正則表達式、數(shù)據庫知識，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、消息隊列、常用的數(shù)據結構和算法、緩存，甚至還包括機器學習的應用，大規(guī)模的系統(tǒng)背后都是靠很多技術來支撐的。
零基礎如何學爬蟲技術？對于迷茫的初學者來說，爬蟲技術起步學習階段，最重要的就是明確學習路徑，找準學習方法，唯有如此，在良好的學習習慣督促下，后期的系統(tǒng)學習才會事半功倍，游刃有余。
用Python寫爬蟲，首先需要會Python，把基礎語法搞懂，知道怎么使用函數(shù)、類和常用的數(shù)據結構如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，但深入的內容可以放以后慢慢去看，理論與實踐相結合后期學習才會越來越輕松。關于爬蟲學習的具體步驟，我大概羅列了以下幾大部分，大家可以參考：
網絡爬蟲基礎知識:
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)頁面數(shù)據
使用requests模塊 post 方式獲取靜態(tài)頁面數(shù)據
使用requests模塊獲取 ajax 動態(tài)頁面數(shù)據
使用requests模塊模擬登錄網站
使用Tesseract進行驗證碼識別
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 實現(xiàn)分布式爬蟲
借助自動化測試工具和瀏覽器爬取數(shù)據：
Selenium + PhantomJS 說明及簡單實例
Selenium + PhantomJS 實現(xiàn)網站登錄
Selenium + PhantomJS 實現(xiàn)動態(tài)頁面數(shù)據爬取
爬蟲項目實戰(zhàn)：
分布式爬蟲+ 打造搜索引擎

Python爬蟲是什么？

網絡爬蟲（又被稱為網頁蜘蛛，網絡機器人，在FOAF社區(qū)中間，更經常的稱為網頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。
其實通俗的講就是通過程序去獲取web頁面上自己想要的數(shù)據，也就是自動抓取數(shù)據。
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，只要你能通過瀏覽器訪問的數(shù)據都可以通過爬蟲獲取。
爬蟲的本質是什么？
模擬瀏覽器打開網頁，獲取網頁中我們想要的那部分數(shù)據
瀏覽器打開網頁的過程：
當你在瀏覽器中輸入地址后，經過DNS服務器找到服務器主機，向服務器發(fā)送一個請求，服務器經過解析后發(fā)送給用戶瀏覽器結果，包括html,js,css等文件內容，瀏覽器解析出來*呈現(xiàn)給用戶在瀏覽器上看到的結果。
所以用戶看到的瀏覽器的結果就是由HTML代碼構成的，我們爬蟲就是為了獲取這些內容，通過分析和過濾html代碼，從中獲取我們想要資源。

如何用Python爬蟲抓取網頁內容?

爬蟲流程
其實把網絡爬蟲抽象開來看，它無外乎包含如下幾個步驟
模擬請求網頁。模擬瀏覽器，打開目標網站。
獲取數(shù)據。打開網站之后，就可以自動化的獲取我們所需要的網站數(shù)據。
保存數(shù)據。拿到數(shù)據之后，需要持久化到本地文件或者數(shù)據庫等存儲設備中。
那么我們該如何使用 Python 來編寫自己的爬蟲程序呢，在這里我要重點介紹一個 Python 庫：Requests。
Requests 使用
Requests 庫是 Python 中發(fā)起 HTTP 請求的庫，使用非常方便簡單。
模擬發(fā)送 HTTP 請求
發(fā)送 GET 請求
當我們用瀏覽器打開豆瓣首頁時，其實發(fā)送的最原始的請求就是 GET 請求
import requests
res = requests.get('
print(res)
print(type(res))
>>>

python爬蟲入門教程

很簡單，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”上。那么，你需要把所有的網頁都看一遍。怎么辦呢？沒問題呀，你就隨便從某個地方開始，比如說人民日報的首頁，這個叫initial pages，用$表示吧。
在人民日報的首頁，你看到那個頁面引向的各種鏈接。于是你很開心地從爬到了“國內新聞”那個頁面。太好了，這樣你就已經爬完了倆頁面（首頁和國內新聞）！暫且不用管爬下來的頁面怎么處理的，你就想象你把這個頁面完完整整抄成了個html放到了你身上。
突然你發(fā)現(xiàn)， 在國內新聞這個頁面上，有一個鏈接鏈回“首頁”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因為你已經看過了啊。所以，你需要用你的腦子，存下你已經看過的頁面地址。這樣，每次看到一個可能需要爬的新鏈接，你就先查查你腦子里是不是已經去過這個頁面地址。如果去過，那就別去了。
好的，理論上如果所有的頁面可以從initial page達到的話，那么可以證明你一定可以爬完所有的網頁。
那么在python里怎么實現(xiàn)呢？
很簡單
import Queue
initial_page = "初始化頁"
url_queue = Queue.Queue()
seen = set()
seen.insert(initial_page)
url_queue.put(initial_page)
while(True): #一直進行直到?？菔癄€
if url_queue.size()>0:
current_url = url_queue.get() #拿出隊例中*個的url
store(current_url) #把這個url代表的網頁存儲好
for next_url in extract_urls(current_url): #提取把這個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上是個非常復雜的東西——搜索引擎公司通常有一整個團隊來維護和開發(fā)。
2）效率
如果你直接加工一下上面的代碼直接運行的話，你需要一整年才能爬下整個豆瓣的內容。更別說Google這樣的搜索引擎需要爬下全網的內容了。
問題出在哪呢？需要爬的網頁實在太多太多了，而上面的代碼太慢太慢了。設想全網有N個網站，那么分析一下判重的復雜度就是N*log(N)，因為所有網頁要遍歷一次，而每次判重用set的話需要log(N)的復雜度。OK，OK，我知道python的set實現(xiàn)是hash——不過這樣還是太慢了，至少內存使用效率不高。
通常的判重做法是怎樣呢？Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點是，它可以使用固定的內存（不隨url的數(shù)量而增長）以O(1)的效率判定url是否已經在set中。可惜天下沒有白吃的午餐，它的*問題在于，如果這個url不在set中，BF可以*確定這個url沒有看過。但是如果這個url在set中，它會告訴你：這個url應該已經出現(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存足夠大的時候，可以變得很小很少。一個簡單的教程:Bloom Filters by Example
注意到這個特點，url如果被看過，那么可能以小概率重復看一看（沒關系，多看看不會累死）。但是如果沒被看過，一定會被看一下（這個很重要，不然我們就要漏掉一些網頁了?。?。 [IMPORTANT: 此段有問題，請暫時略過]
好，現(xiàn)在已經接近處理判重最快的方法了。另外一個瓶頸——你只有一臺機器。不管你的帶寬有多大，只要你的機器下載網頁的速度是瓶頸的話，那么你只有加快這個速度。用一臺機子不夠的話——用很多臺吧！當然，我們假設每臺機子都已經進了*的效率——使用多線程（python的話，多進程吧）。
3）集群化抓取
爬取豆瓣的時候，我總共用了100多臺機器晝夜不停地運行了一個月。想象如果只用一臺機子你就得運行100個月了...
那么，假設你現(xiàn)在有100臺機器可以用，怎么用python實現(xiàn)一個分布式的爬取算法呢？
我們把這100臺中的99臺運算能力較小的機器叫作slave，另外一臺較大的機器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個queue放到這臺master機器上，所有的slave都可以通過網絡跟master聯(lián)通，每當一個slave完成下載一個網頁，就向master請求一個新的網頁來抓取。而每次slave新抓到一個網頁，就把這個網頁上所有的鏈接送到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的內存里，而被訪問過的url放到運行在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實現(xiàn)：
在各臺slave上裝好scrapy，那么各臺機子就變成了一臺有抓取能力的slave，在master上裝好Redis和rq用作分布式隊列。
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，其實你能想到，有人已經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“簡單”，但是真正要實現(xiàn)一個商業(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整體的網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（數(shù)據庫應該怎樣安排）
有效地判重（這里指網頁判重，咱可不想把人民日報和抄襲它的大民日報都爬一遍）
有效地信息抽?。ū热缭趺礃映槿〕鼍W頁上所有的地址抽取出來，“朝陽區(qū)奮進路*道”），搜索引擎通常不需要存儲所有的信息，比如圖片我存來干嘛...
及時更新（預測這個網頁多久會更新一次）
如你所想，這里每一個點都可以供很多研究者十數(shù)年的研究。雖然如此，
“路漫漫其修遠兮,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

1. 學習Python基礎知識并實現(xiàn)基本的爬蟲過程

一般獲取數(shù)據的過程都是按照 發(fā)送請求-獲得頁面反饋-解析并且存儲數(shù)據 這三個流程來實現(xiàn)的。這個過程其實就是模擬了一個人工瀏覽網頁的過程。

Python中爬蟲相關的包很多：urllib、requests、bs4、scrapy、pyspider 等，我們可以按照requests
負責連接網站，返回網頁，Xpath 用于解析網頁，便于抽取數(shù)據。

2.了解非結構化數(shù)據的存儲

爬蟲抓取的數(shù)據結構復雜 傳統(tǒng)的結構化數(shù)據庫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、驗證碼的OCR處理等處理方式即可以解決大部分網站的反爬蟲策略。

4.了解分布式存儲

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