一個月入門Python爬蟲，輕鬆爬取大規模資料

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。

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。

這門課已經開課一個月，已經有2000+同學加入。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

卡片裡面內容可以滑動

美團網餐飲商家的資訊爬取

@Chenchen

爬噹噹網各分類所有五星圖書

@ZhuNewNew

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：

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

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)。

如果你希望在短時間內學會爬蟲，少走彎路

掃描下方二維碼加入課程

年末限時折扣¥339（原價399），限前100名

- 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。

- 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，等網際網路獨角獸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，擁有數千粉絲； 

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。

【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

年末折扣，限額底價

¥339（原價¥399），限額100名

長按下方二維碼，立即去搶

如有任何疑問，長按下方二維碼入群諮詢

若群滿，加 Alice 微信：datacastle2017