如何入門(mén) Python 爬蟲(chóng)
現在之所以有這么多的小伙伴熱衷于爬蟲(chóng)技術(shù)，無(wú)外乎是因為爬蟲(chóng)可以幫我們做很多事情，比如搜索引擎、采集數據、廣告過(guò)濾等，以Python為例，Python爬蟲(chóng)可以用于數據分析，在數據抓取方面發(fā)揮巨大的作用。但是這并不意味著(zhù)單純掌握一門(mén)Python語(yǔ)言，就對爬蟲(chóng)技術(shù)觸類(lèi)旁通，要學(xué)習的知識和規范還有喜很多，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、數據庫知識，常用抓包工具的使用、爬蟲(chóng)框架的使用等。而且涉及到大規模爬蟲(chóng)，還需要了解分布式的概念、消息隊列、常用的數據結構和算法、緩存，甚至還包括機器學(xué)習的應用，大規模的系統背后都是靠很多技術(shù)來(lái)支撐的。
零基礎如何學(xué)爬蟲(chóng)技術(shù)？對于迷茫的初學(xué)者來(lái)說(shuō)，爬蟲(chóng)技術(shù)起步學(xué)習階段，最重要的就是明確學(xué)習路徑，找準學(xué)習方法，唯有如此，在良好的學(xué)習習慣督促下，后期的系統學(xué)習才會(huì )事半功倍，游刃有余。
用Python寫(xiě)爬蟲(chóng)，首先需要會(huì )Python，把基礎語(yǔ)法搞懂，知道怎么使用函數、類(lèi)和常用的數據結構如list、dict中的常用方法就算基本入門(mén)。作為入門(mén)爬蟲(chóng)來(lái)說(shuō)，需要了解 HTTP協(xié)議的基本原理，雖然 HTTP 規范用一本書(shū)都寫(xiě)不完，但深入的內容可以放以后慢慢去看，理論與實(shí)踐相結合后期學(xué)習才會(huì )越來(lái)越輕松。關(guān)于爬蟲(chóng)學(xué)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(wǎng)絡(luò )爬蟲(chóng)基礎知識:
爬蟲(chóng)的定義
爬蟲(chóng)的作用
Http協(xié)議
基本抓包工具(Fiddler)使用
Python模塊實(shí)現爬蟲(chóng)：
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)面數據
使用requests模塊 post 方式獲取靜態(tài)頁(yè)面數據
使用requests模塊獲取 ajax 動(dòng)態(tài)頁(yè)面數據
使用requests模塊模擬登錄網(wǎng)站
使用Tesseract進(jìn)行驗證碼識別
Scrapy框架與Scrapy-Redis：
Scrapy 爬蟲(chóng)框架大體說(shuō)明
Scrapy spider 類(lèi)
Scrapy item 及 pipeline
Scrapy 類(lèi)
通過(guò)Scrapy-Redis 實(shí)現分布式爬蟲(chóng)
借助自動(dòng)化測試工具和瀏覽器爬取數據：
Selenium + PhantomJS 說(shuō)明及簡(jiǎn)單實(shí)例
Selenium + PhantomJS 實(shí)現網(wǎng)站登錄
Selenium + PhantomJS 實(shí)現動(dòng)態(tài)頁(yè)面數據爬取
爬蟲(chóng)項目實(shí)戰：
分布式爬蟲(chóng)+ 打造搜索引擎
Python爬蟲(chóng)是什么？
網(wǎng)絡(luò )爬蟲(chóng)（又被稱(chēng)為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò )機器人，在FOAF社區中間，更經(jīng)常的稱(chēng)為網(wǎng)頁(yè)追逐者），是一種按照一定的規則，自動(dòng)地抓取萬(wàn)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(chóng)。
其實(shí)通俗的講就是通過(guò)程序去獲取web頁(yè)面上自己想要的數據，也就是自動(dòng)抓取數據。
爬蟲(chóng)可以做什么？
你可以用爬蟲(chóng)爬圖片，爬取視頻等等你想要爬取的數據，只要你能通過(guò)瀏覽器訪(fǎng)問(wèn)的數據都可以通過(guò)爬蟲(chóng)獲取。
爬蟲(chóng)的本質(zhì)是什么？
模擬瀏覽器打開(kāi)網(wǎng)頁(yè)，獲取網(wǎng)頁(yè)中我們想要的那部分數據
瀏覽器打開(kāi)網(wǎng)頁(yè)的過(guò)程：
當你在瀏覽器中輸入地址后，經(jīng)過(guò)DNS服務(wù)器找到服務(wù)器主機，向服務(wù)器發(fā)送一個(gè)請求，服務(wù)器經(jīng)過(guò)解析后發(fā)送給用戶(hù)瀏覽器結果，包括html,js,css等文件內容，瀏覽器解析出來(lái)*呈現給用戶(hù)在瀏覽器上看到的結果。
所以用戶(hù)看到的瀏覽器的結果就是由HTML代碼構成的，我們爬蟲(chóng)就是為了獲取這些內容，通過(guò)分析和過(guò)濾html代碼，從中獲取我們想要資源。
如何用Python爬蟲(chóng)抓取網(wǎng)頁(yè)內容?
爬蟲(chóng)流程其實(shí)把網(wǎng)絡(luò )爬蟲(chóng)抽象開(kāi)來(lái)看，它無(wú)外乎包含如下幾個(gè)步驟
模擬請求網(wǎng)頁(yè)。模擬瀏覽器，打開(kāi)目標網(wǎng)站。
獲取數據。打開(kāi)網(wǎng)站之后，就可以自動(dòng)化的獲取我們所需要的網(wǎng)站數據。
保存數據。拿到數據之后，需要持久化到本地文件或者數據庫等存儲設備中。
那么我們該如何使用 Python 來(lái)編寫(xiě)自己的爬蟲(chóng)程序呢，在這里我要重點(diǎn)介紹一個(gè) 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(jiǎn)單。
模擬發(fā)送 HTTP 請求
發(fā)送 GET 請求
當我們用瀏覽器打開(kāi)豆瓣首頁(yè)時(shí)，其實(shí)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(chóng)入門(mén)教程
很簡(jiǎn)單，三步，用爬蟲(chóng)框架scrapy1. 定義item類(lèi)
2. 開(kāi)發(fā)spider類(lèi)
3. 開(kāi)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(chóng)
1）首先你要明白爬蟲(chóng)怎樣工作。想象你是一只蜘蛛，現在你被放到了互聯(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(méi)問(wèn)題呀，你就隨便從某個(gè)地方開(kāi)始，比如說(shuō)人民日報的首頁(yè)，這個(gè)叫initial pages，用$表示吧。
在人民日報的首頁(yè)，你看到那個(gè)頁(yè)面引向的各種鏈接。于是你很開(kāi)心地從爬到了“國內新聞”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)和國內新聞）！暫且不用管爬下來(lái)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， 在國內新聞這個(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，因為你已經(jīng)看過(guò)了啊。所以，你需要用你的腦子，存下你已經(jīng)看過(guò)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(guò)這個(gè)頁(yè)面地址。如果去過(guò)，那就別去了。
好的，理論上如果所有的頁(yè)面可以從initial page達到的話(huà)，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?？菔癄€
if url_queue.size()>0:
current_url = url_queue.get() #拿出隊例中*個(gè)的url
store(current_url) #把這個(gè)url代表的網(wǎng)頁(yè)存儲好
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(xiě)得已經(jīng)很偽代碼了。
所有的爬蟲(chóng)的backbone都在這里，下面分析一下為什么爬蟲(chóng)事實(shí)上是個(gè)非常復雜的東西——搜索引擎公司通常有一整個(gè)團隊來(lái)維護和開(kāi)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(huà)，你需要一整年才能爬下整個(gè)豆瓣的內容。更別說(shuō)Google這樣的搜索引擎需要爬下全網(wǎng)的內容了。
問(wèn)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。設想全網(wǎng)有N個(gè)網(wǎng)站，那么分析一下判重的復雜度就是N*log(N)，因為所有網(wǎng)頁(yè)要遍歷一次，而每次判重用set的話(huà)需要log(N)的復雜度。OK，OK，我知道python的set實(shí)現是hash——不過(guò)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(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存（不隨url的數量而增長(cháng)）以O(1)的效率判定url是否已經(jīng)在set中?？上煜聸](méi)有白吃的午餐，它的*問(wèn)題在于，如果這個(gè)url不在set中，BF可以*確定這個(gè)url沒(méi)有看過(guò)。但是如果這個(gè)url在set中，它會(huì )告訴你：這個(gè)url應該已經(jīng)出現過(guò)，不過(guò)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(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(guò)，那么可能以小概率重復看一看（沒(méi)關(guān)系，多看看不會(huì )累死）。但是如果沒(méi)被看過(guò)，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(wèn)題，請暫時(shí)略過(guò)]
好，現在已經(jīng)接近處理判重最快的方法了。另外一個(gè)瓶頸——你只有一臺機器。不管你的帶寬有多大，只要你的機器下載網(wǎng)頁(yè)的速度是瓶頸的話(huà)，那么你只有加快這個(gè)速度。用一臺機子不夠的話(huà)——用很多臺吧！當然，我們假設每臺機子都已經(jīng)進(jìn)了*的效率——使用多線(xiàn)程（python的話(huà)，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多臺機器晝夜不停地運行了一個(gè)月。想象如果只用一臺機子你就得運行100個(gè)月了...
那么，假設你現在有100臺機器可以用，怎么用python實(shí)現一個(gè)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(gè)queue放到這臺master機器上，所有的slave都可以通過(guò)網(wǎng)絡(luò )跟master聯(lián)通，每當一個(gè)slave完成下載一個(gè)網(wǎng)頁(yè)，就向master請求一個(gè)新的網(wǎng)頁(yè)來(lái)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，但是現在master只發(fā)送確定沒(méi)有被訪(fǎng)問(wèn)過(guò)的url給slave。Bloom Filter放到master的內存里，而被訪(fǎng)問(wèn)過(guò)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(fǎng)問(wèn)效率見(jiàn):LINSERT – Redis)
考慮如何用python實(shí)現：
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(xiě)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(xiě)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)現一個(gè)商業(yè)規?？捎玫呐老x(chóng)并不是一件容易的事。上面的代碼用來(lái)爬一個(gè)整體的網(wǎng)站幾乎沒(méi)有太大的問(wèn)題。
但是如果附加上你需要這些后續處理，比如
有效地存儲（數據庫應該怎樣安排）
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(wǎng)頁(yè)上所有的地址抽取出來(lái)，“朝陽(yáng)區奮進(jìn)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(lái)干嘛...
及時(shí)更新（預測這個(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數年的研究。雖然如此，
“路漫漫其修遠兮,吾將上下而求索”。
所以，不要問(wèn)怎么入門(mén)，直接上路就好了：）
python爬蟲(chóng)需要什么基礎
1. 學(xué)習Python基礎知識并實(shí)現基本的爬蟲(chóng)過(guò)程
一般獲取數據的過(guò)程都是按照 發(fā)送請求-獲得頁(yè)面反饋-解析并且存儲數據 這三個(gè)流程來(lái)實(shí)現的。這個(gè)過(guò)程其實(shí)就是模擬了一個(gè)人工瀏覽網(wǎng)頁(yè)的過(guò)程。
Python中爬蟲(chóng)相關(guān)的包很多：urllib、requests、bs4、scrapy、pyspider 等，我們可以按照requests
負責連接網(wǎng)站，返回網(wǎng)頁(yè)，Xpath 用于解析網(wǎng)頁(yè)，便于抽取數據。
2.了解非結構化數據的存儲
爬蟲(chóng)抓取的數據結構復雜 傳統的結構化數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(chóng)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(wǎng)站的反爬蟲(chóng)策略。
4.了解分布式存儲
分布式這個(gè)東西，聽(tīng)起來(lái)很恐怖，但其實(shí)就是利用多線(xiàn)程的原理讓多個(gè)爬蟲(chóng)同時(shí)工作，需要你掌握 Scrapy + MongoDB + Redis
這三種工具就可以了。