乙個月入門Python爬蟲，輕鬆爬取大規模資料

python爬蟲為什麼受歡迎

如果你仔細觀察，就不難發現，懂爬蟲、學習爬蟲的人越來越多，一方面，網際網路可以獲取的資料越來越多，另一方面，像 python這樣的程式語言提供越來越多的優秀工具，讓爬蟲變得簡單、容易上手。

利用爬蟲我們可以獲取大量的價值資料，從而獲得感性認識中不能得到的資訊，比如：

知乎：爬取優質答案，為你篩選出各話題下最優質的內容。

安居客、鏈家：抓取房產買賣及租售資訊，分析房價變化趨勢、做不同區域的房價分析。

拉勾網、智聯：爬取各類職位資訊，分析各行業人才需求情況及薪資水平。

雪球網：抓取雪球高回報使用者的行為，對**市場進行分析和**。

但掌握正確的方法，在短時間內做到能夠爬取主流**的資料，其實非常容易實現，但建議你從一開始就要有乙個具體的目標。

在目標的驅動下，你的學習才會更加精準和高效。那些所有你認為必須的前置知識，都是可以在完成目標的過程中學到的。這裡給你一條平滑的、零基礎快速入門的學習路徑。

1.學習 python 包並實現基本的爬蟲過程

2.了解非結構化資料的儲存

3.學習scrapy，搭建工程化爬蟲

4.學習資料庫知識，應對大規模資料儲存與提取

5.掌握各種技巧，應對特殊**的反爬措施

6.分布式爬蟲，實現大規模併發採集，提公升效率

大部分爬蟲都是按「傳送請求——獲得頁面——解析頁面——抽取並儲存內容」這樣的流程來進行，這其實也是模擬了我們使用瀏覽器獲取網頁資訊的過程。

python中爬蟲相關的包很多：urllib、requests、bs4、scrapy、pyspider 等，建議從requests+xpath 開始，requests 負責連線**，返回網頁，xpath 用於解析網頁，便於抽取資料。

當然如果你需要爬取非同步載入的**，可以學習瀏覽器抓包分析真實請求或者學習selenium來實現自動化，這樣，知乎、時光網、貓途鷹這些動態的**也可以迎刃而解。

了解非結構化資料的儲存

爬回來的資料可以直接用文件形式存在本地，也可以存入資料庫中。

開始資料量不大的時候，你可以直接通過 python 的語法或 pandas 的方法將資料存為csv這樣的檔案。

當然你可能發現爬回來的資料並不是乾淨的，可能會有缺失、錯誤等等，你還需要對資料進行清洗，可以學習 pandas 包的基本用法來做資料的預處理，得到更乾淨的資料。

學習 scrapy，搭建工程化的爬蟲

掌握前面的技術一般量級的資料和**基本沒有問題了，但是在遇到非常複雜的情況，可能仍然會力不從心，這個時候，強大的 scrapy 框架就非常有用了。

scrapy 是乙個功能非常強大的爬蟲框架，它不僅能便捷地構建request，還有強大的 selector 能夠方便地解析 response，然而它最讓人驚喜的還是它超高的效能，讓你可以將爬蟲工程化、模組化。

學會 scrapy，你可以自己去搭建一些爬蟲框架，你就基本具備爬蟲工程師的思維了。

學習資料庫基礎，應對大規模資料儲存

爬回來的資料量小的時候，你可以用文件的形式來儲存，一旦資料量大了，這就有點行不通了。所以掌握一種資料庫是必須的，學習目前比較主流的 mongodb 就ok。

mongodb 可以方便你去儲存一些非結構化的資料因為這裡要用到的資料庫知識其實非常簡單，主要是資料如何入庫、如何進行提取，在需要的時候再學習就行。

掌握各種技巧，應對特殊**的反爬措施

當然，爬蟲過程中也會經歷一些絕望啊，比如被**封ip、比如各種奇怪的驗證碼、useragent訪問限制、各種動態載入等等。

遇到這些反爬蟲的手段，當然還需要一些高階的技巧來應對，常規的比如訪問頻率控制、使用**ip池、抓包、驗證碼的ocr處理等等。

往往**在高效開發和反爬蟲之間會偏向前者，這也為爬蟲提供了空間，掌握這些應對反爬蟲的技巧，絕大部分的**已經難不到你了。

分布式爬蟲，實現大規模併發採集

爬取基本資料已經不是問題了，你的瓶頸會集中到爬取海量資料的效率。這個時候，相信你會很自然地接觸到乙個很厲害的名字：分布式爬蟲。

分布式這個東西，聽起來很恐怖，但其實就是利用多執行緒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。

scrapy 前面我們說過了，用於做基本的頁面爬取，mongodb 用於儲存爬取的資料，redis 則用來儲存要爬取的網頁佇列，也就是任務佇列。

所以有些東西看起來很嚇人，但其實分解開來，也不過如此。當你能夠寫分布式的爬蟲的時候，那麼你可以去嘗試打造一些基本的爬蟲架構了，實現一些更加自動化的資料獲取。

你看，這一條學習路徑下來，你已然可以成為老司機了，非常的順暢。所以在一開始的時候，盡量不要系統地去啃一些東西，找乙個實際的專案（開始可以從豆瓣、小豬這種簡單的入手），直接開始就好。

因為爬蟲這種技術，既不需要你系統地精通一門語言，也不需要多麼高深的資料庫技術，高效的姿勢就是從實際的專案中去學習這些零散的知識點，你能保證每次學到的都是最需要的那部分。

當然唯一麻煩的是，在具體的問題中，如何找到具體需要的那部分學習資源、如何篩選和甄別，是很多初學者面臨的乙個大問題。

0基礎自學Python！！！教你乙個月輕鬆拿下

程式設計師喜歡，python這個技能也能讓晉通的你就業市場上拿到很好的offer。因為python仍舊是目前it就業市場很受歡迎，很熱門的技術技能之一，且容易上手，學會了python，可以大幅提高自身競爭力。對於小白來說，有個人引導會比自學要高效的多，可以試試下面這個免費課程，能少走很多彎路 只要跟...

工作乙個月了

2012年7月份做為乙個二本院校軟體工程專業畢業的學生，找工作就成了當下最重要的事。班上很多同學早就開始實習，現在工作都已經確定的差不多了，我還有班上幾個同學在大三下期末的時候跟著班主任在外面做專案，期間由於專案太忙，錯過了很多找工作的高峰期 本來以為自己怎麼說也有差不多一年專案經驗了，找個滿意的工...

Python 從入門到掌握 乙個月就夠了！

毫無疑問，python 是當下最火的程式語言之一。對於許多未曾涉足計算機程式設計的領域 小白 來說，深入地掌握 python 看似是一件十分困難的事。其實，只要掌握了科學的學習方法並制定了合理的學習計畫，python 從 入門到精通只需要乙個月就夠了！作為初學者，第乙個月的月目標應該是這樣的 整體計...