不踩坑的Python爬蟲：如何在一個月內學會爬取大規模資料

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。淘寶、京東：抓取商品、評論及銷量資料，對各種商品及使用者的消費場景進行分析。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，對股票市場進行分析和預測。

爬蟲是入門Python最好的方式，沒有之一。Python有很多應用的方向，比如後臺開發、web開發、科學計算等等，但爬蟲對於初學者而言更友好，原理簡單，幾行程式碼就能實現基本的爬蟲，學習的過程更加平滑，你能體會更大的成就感。

掌握基本的爬蟲後，你再去學習Python資料分析、web開發甚至機器學習，都會更得心應手。因為這個過程中，Python基本語法、庫的使用，以及如何查詢文件你都非常熟悉了。

對於小白來說，爬蟲可能是一件非常複雜、技術門檻很高的事情。比如有人認為學爬蟲必須精通 Python，然後哼哧哼哧系統學習 Python 的每個知識點，很久之後發現仍然爬不了資料；有的人則認為先要掌握網頁的知識，遂開始 HTML\CSS，結果入了前端的坑，瘁……

但掌握正確的方法，在短時間內做到能夠爬取主流網站的資料，其實非常容易實現，但建議你從一開始就要有一個具體的目標。

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.瞭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，應對特殊網站的反爬措施6.分散式爬蟲，實現大規模併發採集，提升效率

- ❶ -

學習 Python 包並實現基本的爬蟲過程

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 負責連線網站，返回網頁，Xpath 用於解析網頁，便於抽取資料。

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

當然如果你需要爬取非同步載入的網站，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、貓途鷹這些動態的網站也可以迎刃而解。

- ❷ -

瞭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。

- ❸ -

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程式碼基本沒有問題了，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 是一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。

- ❹ -

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，比如各種評論的文字，圖片的連結等等。你也可以利用PyMongo，更方便地在Python中操作MongoDB。

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。

- ❺ -

掌握各種技巧，應對特殊網站的反爬措施

當然，爬蟲過程中也會經歷一些絕望啊，比如被網站封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、使用代理IP池、抓包、驗證碼的OCR處理等等。

往往網站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，絕大部分的網站已經難不到你了。

- ❻ -

分散式爬蟲，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一個很厲害的名字：分散式爬蟲。

分散式這個東西，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。當你能夠寫分散式的爬蟲的時候，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，儘量不要系統地去啃一些東西，找一個實際的專案（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，既不需要你係統地精通一門語言，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一個大問題。

不過不用擔心，我們準備了一門非常系統的爬蟲課程，除了為你提供一條清晰的學習路徑，我們甄選了最實用的學習資源以及龐大的主流爬蟲案例庫。短時間的學習，你就能夠很好地掌握爬蟲這個技能，獲取你想得到的資料。

經過短時間的學習，不少同學都取得了從0到1的進步，能夠寫出自己的爬蟲，爬取大規模資料。下面是幾位同學的作業合集分享：

爬LOL英雄皮膚高清圖片

@沉默小熊貓

爬取了當前比較火的遊戲桌布，MOBA遊戲《英雄聯盟》，手遊《王者榮耀》、《陰陽師》，FPS遊戲《絕地求生》，其中《英雄聯盟》的桌布最難爬取，這裡展示爬取《英雄聯盟》全部英雄桌布的過程。

先看一下最終爬取的效果，每個英雄的桌布都被爬取下來了：

139個英雄桌布資料夾

“黑暗之女 安妮”的12張桌布：

小紅帽 安妮 高清大圖

1.爬蟲流程圖

至此對我要爬取的物件已經有了一定的瞭解，對於具體爬取方法也有了想法，可以設計如下爬蟲流程圖：

2.設計程式碼整體框架

根據爬蟲流程圖，我設計瞭如下程式碼框架：

這個程式碼框架非常容易讀懂，主要就是run()函式，run()函式完成了這樣一套工作：建立LOL資料夾——獲得鍵盤輸入的資訊——若資訊為“All”則爬取全部英雄桌布，否則爬取單個英雄桌布。

3.爬取所有英雄資訊

首先我們要解析champion.js檔案，得到英雄英文名與id的一一對應關係。

對於官網網站上的所有英雄資訊頁面，由於是用 JavaScript 載入出來的，普通方法並不好爬取，我使用了 Selenium+PhantomJS 的方法來動態載入英雄資訊。

解析的英雄資訊

4.爬取英雄桌布

得到每一個英雄的資訊後，我們就可以開始愉快的爬取它們的桌布啦~定義get_image(heroid,heroframe) 函式，用於爬取單個英雄的全部桌布。

執行程式碼時注意保持網路暢通，如果網速太慢可能會爬取失敗。在3兆有線網的網速下爬取全部139個英雄的全部高清桌布（約一千張圖）大概要3-4分鐘。

《王者榮耀》、《陰陽師》、《絕地求生》等其他遊戲的桌布也是同樣道理就可以爬取了，據我實踐，《英雄聯盟》的爬取難度是最高的，因此將上述過程弄懂了，自己再編寫程式碼爬其他遊戲就易如反掌了。

卡片裡面內容可以滑動

美團網餐飲商家的資訊爬取

@Chenchen

本次對【常州美食】全部美食推薦 進行一次爬蟲實踐，主要想爬取的資訊有：餐廳的名稱、餐廳的評分、餐廳評論數、餐廳的地址、人均消費價格……

最終爬下來的資料儲存為CSV如下：

美團使用了反爬蟲機制，要模擬瀏覽器來進行爬取。經過幾次嘗試，發現只對 Cookie 和 User-Agent 進行校驗。

爬到第一組資料

爬到第一組資料之後，接著就是想翻頁的事情。翻頁特別簡單，於是又爬取了商家電話、營業時間等資訊。

打包寫個函式

成功地爬到了相應的資訊

但好景不長，爬到一半的時候被403了。

因為被封了，我們只能用無痕方式來訪問了?。看了下，決定採用多個 Cookie 然後隨機呼叫的方式來避免被封了。最終使用了17個cookie，經過測試，可以高速爬取不被封。

這次的爬取在這裡結束了，但是爬回來的資料可以做很多分析，比如在不同的地段外賣的情況，商家的分佈等等。

爬噹噹網各分類所有五星圖書

@ZhuNewNew

這次作業選擇爬取的網站是噹噹網，噹噹有比較多的圖書資料，特別是五星圖書，包含了各個領域最受歡迎的圖書資訊，對於尋找有價值的圖書、分析好書的銷售情況具有一定的價值。

最終爬取的資料如下，總共10000+行資料：

我想爬取的資料是各分類（小說、中小學教輔、文學、成功/勵志……）下面的五星圖書資訊（書名、評論數、作者、出版社、出版時間、五星評分次數、價格、電子書價格等等）。

為了抓各分類下的圖書資訊，首先看看點選各分類的時候，連結是否發生變化。經過測試，在不同的分類，連結都是不一樣的，事實證明不是JS載入。

列印之後正常返回資料

到這裡基本可以知道，噹噹網的反爬確實不嚴格，我甚至還沒有設定Headers的資訊，竟然也可以爬取到想要的資料。但最後在完整的程式碼中，還是把headers加上了，保險起見吧。

接下來就是分別爬取每個分類下的圖書資訊，以“小說”為例，其實翻頁特別簡單，給幾個比較如下：

翻頁也非常簡單，只不過有一點點坑的是，爬回來的連結在程式碼中，需要對其翻頁，就需要把連結構造出來。對返回來的連結進行分析，發現僅僅是中間有四個數字不一樣。於是我把這幾個資料取出來，在連線中傳進去，這樣可以構造通用的連結。

構造的翻頁連結

接下來就是去抓取不同頁面的資訊，沒有非同步載入，所以直接用xpath定位就OK。當然中間有一些小地方需要注意的是，每本書所包含的資訊是不一樣的，所以用xpath去獲取的時候不一定能獲取到，就會出錯。於是用到try……except語句。

最後總共爬到10000多行資料，對應不同領域的10000多本高評分的書籍，當然會有一些重複計算，比如小說和文學，就有不少書是同時在這兩個類目的。

噹噹網本身沒有什麼反爬機制，所以爬取也比較順利。唯一的小麻煩就是抓回來的連結繼續翻頁和其中一些書籍中部分資訊缺失的處理。

爬拉勾網職位資訊

@楠生

本來就想從事“資料分析師”這個崗位，所以就想了解這個崗位的薪資、要求、以及在我所生活城市的主要分佈點，而拉勾網是權威的網際網路行業招聘平臺，所以爬取拉勾網上的“資料分析師”職位資訊有很好的代表性。

最終爬到的資料存在MongoDB中如下：

學習翻頁的時候把引號添上執行時報了JSONDecodeError的錯，本人被引號折騰了許久，分享出來希望大家引以為戒。

踩了兩個坑之後，就開始做課後作業了，沒想到對於一個新手來說困難一茬茬。開始我的思路是找連線，但是採集的資料裡沒有連線，所以就點選進入詳情頁面，看有什麼規律沒？然後就嘗試著多次點選各詳情頁面，發現頁面的數字和採集的某個資料能匹配。例如：

某個詳情頁面

找到突破口就開始行動：

DOC

request url\request method

多次嘗試（還是費了一些時間）：request url和網址是一樣的，那突破口就算找到，資料是DOC格式，request method :get,那就是又回到了熟悉的戰場了。

思路：遍歷positionId，用format,如：

詳情網頁

xpath方法獲取資料

部分資料：

一次次嘗試，優化後的程式碼，這個主要是學習和創作的過程（爬取詳情頁面是我的傑作)。

- 高效的學習路徑 -

一上來就講理論、語法、程式語言是非常不合理的，我們會直接從具體的案例入手，通過實際的操作，學習具體的知識點。我們為你規劃了一條系統的學習路徑，讓你不再面對零散的知識點。

說點具體的，比如我們會直接用 lxml+Xpath取代 BeautifulSoup 來進行網頁解析，減少你不必要的檢查網頁元素的操作，多種工具都能完成的，我們會給你最簡單的方法，這些看似細節，但可能是很多人都會踩的坑。

《Python爬蟲：入門+進階》大綱

第一章：Python 爬蟲入門

1、什麼是爬蟲

網址構成和翻頁機制

網頁原始碼結構及網頁請求過程

爬蟲的應用及基本原理

2、初識Python爬蟲

Python爬蟲環境搭建

建立第一個爬蟲：爬取百度首頁

爬蟲三步驟：獲取資料、解析資料、儲存資料

3、使用Requests爬取豆瓣短評

Requests的安裝和基本用法

用Requests 爬取豆瓣短評資訊

一定要知道的爬蟲協議

4、使用Xpath解析豆瓣短評

解析神器Xpath的安裝及介紹

Xpath的使用：瀏覽器複製和手寫

實戰：用 Xpath 解析豆瓣短評資訊

5、使用pandas儲存豆瓣短評資料

pandas 的基本用法介紹

pandas檔案儲存、資料處理

實戰：使用pandas儲存豆瓣短評資料

6、瀏覽器抓包及headers設定（案例一：爬取知乎）

爬蟲的一般思路：抓取、解析、儲存

瀏覽器抓包獲取Ajax載入的資料

設定headers 突破反爬蟲限制

實戰：爬取知乎使用者資料

7、資料入庫之MongoDB（案例二：爬取拉勾）

MongoDB及RoboMongo的安裝和使用

設定等待時間和修改資訊頭

實戰：爬取拉勾職位資料

將資料儲存在MongoDB中

補充實戰：爬取微博移動端資料

8、Selenium爬取動態網頁（案例三：爬取淘寶）

動態網頁爬取神器Selenium搭建與使用

分析淘寶商品頁面動態資訊

實戰：用Selenium 爬取淘寶網頁資訊

第二章：Python爬蟲之Scrapy框架

1、爬蟲工程化及Scrapy框架初窺

html、css、js、資料庫、http協議、前後臺聯動

爬蟲進階的工作流程

Scrapy元件：引擎、排程器、下載中介軟體、專案管道等

常用的爬蟲工具：各種資料庫、抓包工具等

2、Scrapy安裝及基本使用

Scrapy安裝

Scrapy的基本方法和屬性

開始第一個Scrapy專案

3、Scrapy選擇器的用法

常用選擇器：css、xpath、re、pyquery

css的使用方法

xpath的使用方法

re的使用方法

pyquery的使用方法

4、Scrapy的專案管道

Item Pipeline的介紹和作用

Item Pipeline的主要函式

實戰舉例：將資料寫入檔案

實戰舉例：在管道里過濾資料

5、Scrapy的中介軟體

下載中介軟體和蜘蛛中介軟體

下載中介軟體的三大函式

系統預設提供的中介軟體

6、Scrapy的Request和Response詳解

Request物件基礎引數和高階引數

Request物件方法

Response物件引數和方法

Response物件方法的綜合利用詳解

第三章：Python爬蟲進階操作

1、網路進階之谷歌瀏覽器抓包分析

http請求詳細分析

網路皮膚結構

過濾請求的關鍵字方法

複製、儲存和清除網路資訊

檢視資源發起者和依賴關係

2、資料入庫之去重與資料庫

資料去重

資料入庫MongoDB

第四章：分散式爬蟲及實訓專案

1、大規模併發採集——分散式爬蟲的編寫

分散式爬蟲介紹

Scrapy分散式爬取原理

Scrapy-Redis的使用

Scrapy分散式部署詳解

2、實訓專案（一）——58同城二手房監控

3、實訓專案（二）——去哪兒網模擬登陸

4、實訓專案（三）——京東商品資料抓取

- 每課都有學習資料 -

你可能收集了以G計的的學習資源，但儲存後從來沒開啟過？我們已經幫你找到了最有用的那部分，並且用最簡單的形式描述出來，幫助你學習，你可以把更多的時間用於練習和實踐。

考慮到各種各樣的問題，我們在每一節都準備了課後資料，包含四個部分：

1.課程重點筆記，詳細闡述重點知識，幫助你理解和後續快速複習；

2.預設你是小白，補充所有基礎知識，哪怕是軟體的安裝與基本操作；

3.課內外案例提供參考程式碼學習，讓你輕鬆應對主流網站爬蟲；

4.超多延伸知識點和更多問題的解決思路，讓你有能力去解決實際中遇到的一些特殊問題。

某節部分課後資料

- 超多案例，覆蓋主流網站 -

課程中提供了目前最常見的網站爬蟲案例：豆瓣、百度、知乎、淘寶、京東、微博……每個案例在課程視訊中都有詳細分析，老師帶你完成每一步操作。

另外，我們還會補充比如小豬、鏈家、58同城、網易雲音樂、微信好友等案例，提供思路與程式碼。

多次的模仿和練習之後，你可以很輕鬆地寫出自己的爬蟲程式碼，並能夠輕鬆爬取這些主流網站的資料。

- 技能擴充：反爬蟲及資料儲存、處理 -

懂得基本的爬蟲是遠遠不夠的，所以我們會用實際的案例，帶你瞭解一些網站的反爬蟲措施，並且用具體的技術繞過限制。比如非同步載入、IP限制、headers限制、驗證碼等等，這些比較常見的反爬蟲手段，你都可以很好地規避。

工程化的爬蟲、及分散式爬蟲技術，讓你有獲取大規模資料的可能。除了爬蟲的內容，你還將瞭解資料庫（Mongodb）、pandas 的基本知識，幫你儲存爬取的資料，同時可以對資料進行管理和清洗，你可以獲得更乾淨的資料，以便後續的分析和處理。

用 Scrapy 爬取租房資訊

爬取拉勾招聘資料並用 MongoDB 儲存

轉自：https://cloud.tencent.com/developer/article/1087487