開發經驗高達8年的大神分享爬蟲入門。

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，弄懂每一行代碼，第三階段是自己動手，這個階段你開始有自己的解題思路了，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編程語言（這裡以 Python 為例） HTML 知識、HTTP/HTTPS 協議的基本知識、正則表達式、資料庫知識，常用抓包工具的使用、爬蟲框架的使用、涉及到大規模爬蟲，還需要了解分散式的概念、消息隊列、常用的數據結構和演算法、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 代碼了，就直接上手爬蟲，好比學車，只要能開動了就上路吧，當然寫代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、類和常用的數據結構如 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，網上有個 HTML 30分鐘入門教程 夠用了。然後是關於 HTTP 的知識，爬蟲基本原理就是通過網路請求從遠程伺服器下載數據的過程，而這個網路請求背後的技術就是基於 HTTP 協議。作為入門爬蟲來說，你需要了解 HTTP協議的基本原理，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，理論與實踐相結合。

網路請求框架都是對 HTTP 協議的實現，比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。了解 HTTP 協議之後，你就可以專門有針對性的學習和網路相關的模塊了，比如 Python 自帶有 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協議的基本內容。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 格式或者 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，比如JSON數據可以直接使用 Python自帶的模塊 json，對於 HTML 數據，可以使用 BeautifulSoup、lxml 等庫去處理，對於 xml 數據，除了可以使用 untangle、xmltodict等第三方庫。

入門爬蟲，學習正則表達式並不是必須的，你可以在你真正需要的時候再去學，比如你把數據爬取回來後，需要對數據進行清洗，當你發現使用常規的字元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式。

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，或者是分散式的文檔資料庫 MongoDB，這些資料庫對Python都非常友好，有現成的庫支持。 Python操作MySQL資料庫 通過Python連接資料庫

從數據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，接下來就是考驗內功的時候了，很多網站都設有反爬蟲策略，他們想方設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，就是為了提高獲取數據的成本。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天入門教程就能達到的高度。

數據結構和演算法

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鏈接加入待爬的URL集合中，我們需要用到隊列或者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鏈接。每次發起網路請求的時候，會涉及到一個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 緩存下來。URL那麼多，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存儲已經爬過的的URL，但是如果碰過海量的URL時，字典佔用的內存空間非常大，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。

關於實踐

網上的爬蟲教程多如牛毛，原理大體相同，只不過是換個不同的網站進行爬取，你可以跟著網上的教程學習模擬登錄一個網站，模擬打卡之類的，爬個豆瓣的電影、書籍之類的。通過不斷地練習，從遇到問題到解決問題，這樣的收穫看書沒法比擬的。

爬蟲常用庫

• urllib、urlib2（Python中的urllib）python內建的網路請求庫
• urllib3：線程安全的HTTP網路請求庫
• requests：使用最廣泛的網路請求庫，兼容py2和py3
• grequests：非同步的requests
• BeautifulSoup：HTML、XML操作解析庫
• lxml：另一種處理 HTML、XML的方式
• tornado：非同步網路框架
• Gevent：非同步網路框架
• Scrapy：最流行的爬蟲框架
• pyspider：爬蟲框架
• xmltodict：xml轉換成字典
• pyquery：像jQuery一樣操作HTML
• Jieba ：分詞
• SQLAlchemy：ORM框架
• celery ：消息隊列
• rq：簡單消息隊列
• python-goose ：從HTML中提取文本

推薦閱讀：