隨著互聯(lián)網(wǎng)的發(fā)展，google、百度等搜索引擎讓我們獲取信息愈加方便。但需求總會不斷涌現(xiàn)，純粹地借助百度等收集信息是遠(yuǎn)遠(yuǎn)不夠的，因此編寫爬蟲爬取信息的重要性就越發(fā)凸顯。

比如有人為了炒股，專門爬取了多種股票信息；也有人為了分析房價，耗費(fèi)時間和精力學(xué)習(xí)爬蟲后，爬了綠中介的數(shù)據(jù)。

那么，爬蟲到底是什么呢？

網(wǎng)絡(luò)爬蟲，又名網(wǎng)頁蜘蛛，是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。簡單的說，網(wǎng)絡(luò)爬蟲就是爬到對應(yīng)網(wǎng)頁后把需要的信息搞下來的程序。

一般而言，若要成為一名爬蟲工程師，最低要求就是掌握Python、Java、Golang其中一種語言，還要對網(wǎng)絡(luò)編程、HTTP協(xié)議等了如指掌。

在當(dāng)今這個大數(shù)據(jù)時代，網(wǎng)絡(luò)爬蟲作為網(wǎng)絡(luò)、存儲與機(jī)器學(xué)習(xí)等領(lǐng)域的交匯點(diǎn)，已經(jīng)成為滿足個性化網(wǎng)絡(luò)數(shù)據(jù)需求的最佳實(shí)踐。那么到底如何學(xué)習(xí)爬蟲呢？

1、學(xué)習(xí)Python包并實(shí)現(xiàn)基本的爬蟲過程

大部分爬蟲都是按“發(fā)送請求——獲得頁面——解析頁面——抽取并儲存內(nèi)容”這樣的流程來進(jìn)行，這其實(shí)也是模擬了我們使用瀏覽器獲取網(wǎng)頁信息的過程。

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

2、掌握各種技巧，應(yīng)對特殊網(wǎng)站的反爬措施

當(dāng)然，爬蟲過程中也會經(jīng)歷一些絕望，比如被封IP、比如各種奇怪的驗(yàn)證碼、字體加密、userAgent訪問限制、各種動態(tài)加載等等。

遇到這些反爬蟲的手段，當(dāng)然還需要一些高級的技巧來應(yīng)對，常規(guī)的比如訪問頻率控制、使用代理IP池、字體反加密、抓包、驗(yàn)證碼的OCR處理等等。

往往網(wǎng)站在高效開發(fā)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(yīng)對反爬蟲的技巧，絕大部分的網(wǎng)站已經(jīng)難不到你了。

3、學(xué)習(xí) scrapy，搭建工程化的爬蟲

掌握前面的技術(shù)一般量級的數(shù)據(jù)和代碼基本沒有問題了，接下來就要學(xué)習(xí)強(qiáng)大的 scrapy 框架了，它能幫助你應(yīng)對非常復(fù)雜的情況。

scrapy 是一個功能非常強(qiáng)大的爬蟲框架，它不僅能便捷地構(gòu)建request，還有強(qiáng)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性能，讓你可以將爬蟲工程化、模塊化。

學(xué)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。

4、學(xué)習(xí)數(shù)據(jù)庫基礎(chǔ)，應(yīng)對大規(guī)模數(shù)據(jù)存儲

爬回來的數(shù)據(jù)量小的時候，你可以用文檔的形式來存儲，一旦數(shù)據(jù)量大了，這就有點(diǎn)行不通了。所以掌握一種數(shù)據(jù)庫是必須的，比如MongoDB。

MongoDB 可以方便你去存儲一些非結(jié)構(gòu)化的數(shù)據(jù)，比如各種評論的文本，圖片的鏈接等等。你也可以利用PyMongo，更方便地在Python中操作MongoDB。

因?yàn)檫@里要用到的數(shù)據(jù)庫知識其實(shí)非常簡單，主要是數(shù)據(jù)如何入庫、如何進(jìn)行提取，在需要的時候再學(xué)習(xí)就行。

5、分布式爬蟲，實(shí)現(xiàn)大規(guī)模并發(fā)采集

爬取基本數(shù)據(jù)已經(jīng)不是問題了，你的瓶頸會集中到爬取海量數(shù)據(jù)的效率。這個時候，相信你會很自然地接觸到“分布式爬蟲”。

分布式爬蟲其實(shí)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。

Scrapy和MongoDB前面我們說過了，一個用于做基本的頁面爬取，一個用于存儲爬取的數(shù)據(jù)，Redis則用來存儲要爬取的網(wǎng)頁隊(duì)列，也就是任務(wù)隊(duì)列。

當(dāng)你能夠?qū)懛植际降呐老x的時候，那么你可以去嘗試打造一些基本的爬蟲架構(gòu)了，實(shí)現(xiàn)更加自動化的數(shù)據(jù)獲取。

對于小白來說，爬蟲可能是一件非常復(fù)雜、技術(shù)門檻很高的事情。但掌握正確的方法，在短時間內(nèi)做到能夠爬取主流網(wǎng)站的數(shù)據(jù)，其實(shí)非常容易實(shí)現(xiàn)。希望上面這條學(xué)習(xí)路徑能幫助你快速入門。