Python爬蟲入門（1）：綜述

崔慶才發表於2015-04-25

Python爬蟲

大家好哈，最近博主在學習Python，學習期間也遇到一些問題，獲得了一些經驗，在此將自己的學習系統地整理下來，如果大家有興趣學習爬蟲的話，可以將這些文章作為參考，也歡迎大家一共分享學習經驗。

Python版本:2.7，Python 3請另尋其他博文。

首先爬蟲是什麼？

網路爬蟲（又被稱為網頁蜘蛛，網路機器人，在FOAF社群中間，更經常的稱為網頁追逐者），是一種按照一定的規則，自動的抓取全球資訊網資訊的程式或者指令碼。

根據我的經驗，要學習Python爬蟲，我們要學習的共有以下幾點：

Python基礎知識
Python中urllib和urllib2庫的用法
Python正規表示式
Python爬蟲框架Scrapy
Python爬蟲更高階的功能

1.Python基礎學習

首先，我們要用Python寫爬蟲，肯定要了解Python的基礎吧，萬丈高樓平地起，不能忘啦那地基，哈哈，那麼我就分享一下自己曾經看過的一些Python教程，小夥伴們可以作為參考。

1) 慕課網Python教程

曾經有一些基礎的語法是在慕課網上看的，上面附有一些練習，學習完之後可以作為練習，感覺效果還是蠻不錯的，不過稍微遺憾的是內容基本上都是最基礎的，入門開始的話，就這個吧

學習網址：慕課網Python教程

2) 廖雪峰Python教程

後來，我發現了廖老師的Python教程，講的那是非常通俗易懂哪，感覺也是非常不錯，大家如果想進一步瞭解Python就看一下這個吧。

學習網址：廖雪峰Python教程

3) 簡明Python教程

還有一個我看過的，簡明Python教程，感覺講的也不錯

學習網址：簡明Python教程

2.Python urllib和urllib2 庫的用法

urllib和urllib2庫是學習Python爬蟲最基本的庫，利用這個庫我們可以得到網頁的內容，並對內容用正規表示式提取分析，得到我們想要的結果。這個在學習過程中我會和大家分享的。

3.Python 正規表示式

Python正規表示式是一種用來匹配字串的強有力的武器。它的設計思想是用一種描述性的語言來給字串定義一個規則，凡是符合規則的字串，我們就認為它“匹配”了，否則，該字串就是不合法的。這個在後面的博文會分享的。

4.爬蟲框架Scrapy

如果你是一個Python高手，基本的爬蟲知識都已經掌握了，那麼就尋覓一下Python框架吧，我選擇的框架是Scrapy框架。這個框架有什麼強大的功能呢？下面是它的官方介紹：

HTML, XML源資料選擇及提取的內建支援
提供了一系列在spider之間共享的可複用的過濾器(即 Item Loaders)，對智慧處理爬取資料提供了內建支援。
通過 feed匯出提供了多格式(JSON、CSV、XML)，多儲存後端(FTP、S3、本地檔案系統)的內建支援
提供了media pipeline，可以自動下載爬取到的資料中的圖片(或者其他資源)。
高擴充套件性。您可以通過使用 signals ，設計好的API(中介軟體, extensions, pipelines)來定製實現您的功能。
內建的中介軟體及擴充套件為下列功能提供了支援:
cookies and session 處理
HTTP 壓縮
HTTP 認證
HTTP 快取
user-agent模擬
robots.txt
爬取深度限制
針對非英語語系中不標準或者錯誤的編碼宣告, 提供了自動檢測以及健壯的編碼支援。
支援根據模板生成爬蟲。在加速爬蟲建立的同時，保持在大型專案中的程式碼更為一致。詳細內容請參閱 genspider 命令。
針對多爬蟲下效能評估、失敗檢測，提供了可擴充套件的狀態收集工具。
提供互動式shell終端 , 為您測試XPath表示式，編寫和除錯爬蟲提供了極大的方便
提供 System service, 簡化在生產環境的部署及執行
內建 Web service, 使您可以監視及控制您的機器
內建 Telnet終端，通過在Scrapy程式中鉤入Python終端，使您可以檢視並且除錯爬蟲
Logging 為您在爬取過程中捕捉錯誤提供了方便
支援 Sitemaps 爬取
具有快取的DNS解析器