如果你仔細觀察，就不難發(fā)現(xiàn)，懂爬蟲、學習爬蟲的人越來越多，一方面，互聯(lián)網(wǎng)可以獲取的數(shù)據(jù)越來越多，另一方面，像 Python這樣的編程語言提供越來越多的優(yōu)秀工具，讓爬蟲變得簡單、容易上手。

對于小白來說，爬蟲可能是一件非常復雜、技術(shù)門檻很高的事情。比如有的人認為學爬蟲必須精通 Python，然后哼哧哼哧系統(tǒng)學習 Python 的每個知識點，很久之后發(fā)現(xiàn)仍然爬不了數(shù)據(jù)；有的人則認為先要掌握網(wǎng)頁的知識，遂開始 HTMLCSS，結(jié)果入了前端的坑，瘁……

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)，其實非常容易實現(xiàn)。但建議你從一開始就要有一個具體的目標，你要爬取哪個網(wǎng)站的哪些數(shù)據(jù)，達到什么量級。

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。這里給你一條平滑的、零基礎快速入門的學習路徑。

1.學習Python包并實現(xiàn)基本的爬蟲過程
2.掌握各種技巧，應對特殊網(wǎng)站的反爬措施
3.學習scrapy，搭建工程化爬蟲
4.學習數(shù)據(jù)庫知識，應對大規(guī)模數(shù)據(jù)存儲與提取

5.分布式爬蟲，實現(xiàn)大規(guī)模并發(fā)采集

一、學習 Python 包并實現(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”這樣的流程來進行，這其實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 負責連接網(wǎng)站，返回網(wǎng)頁，Xpath 用于解析網(wǎng)頁，便于抽取數(shù)據(jù)。

如果你用過 BeautifulSoup，會發(fā)現(xiàn) Xpath 要省事不少，一層一層檢查元素代碼的工作，全都省略了。這樣下來基本套路都差不多，一般的靜態(tài)網(wǎng)站根本不在話下，豆瓣、糗事百科、騰訊新聞等基本上都可以上手了。

二、掌握各種技巧，應對特殊網(wǎng)站的反爬措施

當然，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，當然還需要一些高級的技巧來應對，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，掌握這些應對反爬蟲的技巧，絕大部分的網(wǎng)站已經(jīng)難不到你了。

三、學習 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，但是在遇到非常復雜的情況，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 是一個功能非常強大的爬蟲框架，它不僅能便捷地構(gòu)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性能，讓你可以將爬蟲工程化、模塊化。

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。

四、學習數(shù)據(jù)庫基礎，應對大規(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，這就有點行不通了。所以掌握一種數(shù)據(jù)庫是必須的，學習目前比較主流的 MongoDB 就OK。

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。

因為這里要用到的數(shù)據(jù)庫知識其實非常簡單，主要是數(shù)據(jù)如何入庫、如何進行提取，在需要的時候再學習就行。

五、分布式爬蟲，實現(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一個很厲害的名字：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 前面我們說過了，用于做基本的頁面爬取，MongoDB 用于存儲爬取的數(shù)據(jù)，Redis 則用來存儲要爬取的網(wǎng)頁隊列，也就是任務隊列。

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?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，實現(xiàn)更加自動化的數(shù)據(jù)獲取。

想要學習python爬蟲實戰(zhàn)，可以參考信盈達的Python爬蟲培訓課程。暑假期間，信盈達開啟免費的Python暑期實踐直播課，快來報名吧！