Python爬蟲，推薦一條高效的學習路徑

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。

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。比如有的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 HTMLCSS，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，你要爬取哪個網站的哪些資料，達到什麼量級。

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.掌握各種技巧，應對特殊網站的反爬措施

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.分散式爬蟲，實現大規模併發採集

 - 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。

- ❷ -

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，比如被封IP、比如各種奇怪的驗證碼、字型加密、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、字型反加密、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。

- 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 -

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，實現更加自動化的資料獲取。

- 如何高效學習 -

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、無痛的學習路徑，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。

- 課程大綱 -

Python爬蟲：入門+進階

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（案例1：爬取百度）

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（案例2：爬取豆瓣）

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（案例3：爬取豆瓣）

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（案例4：儲存資料）

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5：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6：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7：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

Scrapy排程器、下載中介軟體、專案管道等

常用爬蟲工具：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、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

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

如何進行資料去重

MongoDB資料入庫

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

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

58同城抓取流程分析

網站抓取程式碼塊示例，搭建工程框架

各流程詳細操作及程式碼實現

3、實訓專案（二）——去哪兒網模擬登陸

模擬登陸的原理及實現方式

cookie及session

去哪兒模擬登陸問題思考及方案准備

流程拆解及具體程式碼實現

4、實訓專案（三）——京東商品資料抓取

Spider類和CrawlSpider類

京東商品資訊抓取分析，確定方案流程

抓取詳細操作及程式碼實現

- 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，比如 Requests 能夠解決的事情，我們就不用 urllib了，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。

- 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

- 導師團隊 -

黃震昕

造數科技創始人兼CEO

創立的造數科技是一家新一代智慧雲資料採集服務提供商，幫助企業和個人輕鬆獲取並分析、利用外部資料，幫助其完成市場分析、競品監控、輿情監控、商機發現等。造數上線一年以來，已經服務了13000多個企業和個人客戶，分佈在零售、電商、金融、資詢、大資料等行業。造數新一代智慧雲爬蟲產品已編入人教版高中資訊科技教材（2018年9月出版）。

劉暢

高階爬蟲工程師 

造數爬蟲專案組主要負責人， CPO（首席爬蟲工程師），因常年對淘寶，京東，58，高德，美團，等網際網路企業進行反爬策略分析並抓取，而被各大網際網路公司成為頭號“害蟲”，見之必殺（程式設計師何苦為難程式設計師），目前造數構建大型分散式爬蟲，和開發日IP過十萬的高效代理池系統。

張世潤

高階爬蟲工程師 

愛好者：喜歡Python，擅長爬蟲，資料處理； 

創作者：知乎原創文章近百篇，擁有近萬粉絲； 

學習者：愛學習的“萌新”，自學成長為爬蟲工程師，深諳自學之道，願分享所有能量帶大家入門。

除了經驗豐富、帶你一步步實操的課程老師之外，DC學院還建立了提升效率的學習群，助教老師會在群裡及時解答學員每一個疑問。同時，你還可以跟一群未來優秀的爬蟲工程師，分享經驗、程式碼、資料，探討爬蟲和資料分析技術。在短時間內，你也能夠去獲取網際網路上的大規模資料。

【課程資訊】

「 課程名稱 」

Python 爬蟲：入門+進階

「 學習週期 」

建議每週至少學習8小時，一個月內完成課程

「 上課形式 」

錄播課程，可隨時開始上課，反覆觀看

「 面向人群 」

零基礎的小白，負基礎的小白白

「 答疑形式 」

學習群老師隨時答疑，即便是最初級的問題

「 課程資料 」

重點筆記、操作詳解、參考程式碼、課後擴充

「 課程案例 」

爬取豆瓣短評、圖書、電影資料

爬取知乎使用者、回答資料

爬取淘寶、京東商品資料

爬取拉勾職位資料

爬取去哪兒旅遊景點資料

爬取58同城二手房資料

限時底價，本期搶完即止

¥299（原價¥399），限額100名

課程詳情及名額預定，掃下方二維碼

課程諮詢/獲取試聽，長按下方二維碼入群

若群滿，加 Amy 微信：datacastle2019

學完課程，能夠獲得的成就

學會python的基本語法，恭喜你獲得程式設計技能

瞭解各種Python庫的用法，你可以去探索更多的黑科技

掌握資料庫基本知識，爬回來的資料能夠儲存與管理

requests+xpath，一個套路破解無數網站

GET多種反反爬技能，從此沒有難爬的資料

進階多執行緒、分散式，輕鬆獲取大規模資料

學會爬蟲，資料清洗、分析、視覺化等技能輕鬆解鎖

極速入門爬蟲，搞定大規模資料爬取

點選下方“閱讀原文”去上課