Py学习  »  Python

关于 Python 爬虫,这里有一条高效的学习路径

Python开发者 • 4 年前 • 364 次点击  



如果你仔细观察,就不难发现,懂爬虫、学习爬虫的人越来越多,一方面,互联网可以获取的数据越来越多,另一方面,像 Python这样的编程语言提供越来越多的优秀工具,让爬虫变得简单、容易上手。

 

对于小白来说,爬虫可能是一件非常复杂、技术门槛很高的事情。比如有的人认为学爬虫必须精通 Python,然后哼哧哼哧系统学习 Python 的每个知识点,很久之后发现仍然爬不了数据;有的人则认为先要掌握网页的知识,遂开始 HTMLCSS,结果入了前端的坑,瘁……

 

但掌握正确的方法,在短时间内做到能够爬取主流网站的数据,其实非常容易实现。但建议你从一开始就要有一个具体的目标,你要爬取哪个网站的哪些数据,达到什么量级。


那些所有你认为必须的前置知识,都是可以在完成目标的过程中学到的。这里给你一条平滑的、零基础快速入门的学习路径。

  

1.学习Python包并实现基本的爬虫过程

2.掌握各种技巧,应对特殊网站的反爬措施

3.学习scrapy,搭建工程化爬虫

4.学习数据库知识,应对大规模数据存储与提取

5.分布式爬虫,实现大规模并发采集

 


 

 - ❶ -

学习 Python 包并实现基本的爬虫过程


大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”这样的流程来进行,这其实也是模拟了我们使用浏览器获取网页信息的过程。


Python中爬虫相关的包很多:urllib、requests、bs4、scrapy、pyspider 等,建议从requests+Xpath 开始,requests 负责连接网站,返回网页,Xpath 用于解析网页,便于抽取数据。


如果你用过 BeautifulSoup,会发现 Xpath 要省事不少,一层一层检查元素代码的工作,全都省略了。这样下来基本套路都差不多,一般的静态网站根本不在话下,豆瓣、糗事百科、腾讯新闻等基本上都可以上手了




 -

掌握各种技巧,应对特殊网站的反爬措施


当然,爬虫过程中也会经历一些绝望,比如被封IP、比如各种奇怪的验证码、字体加密、userAgent访问限制、各种动态加载等等。


遇到这些反爬虫的手段,当然还需要一些高级的技巧来应对,常规的比如访问频率控制、使用代理IP池、字体反加密、抓包、验证码的OCR处理等等


往往网站在高效开发和反爬虫之间会偏向前者,这也为爬虫提供了空间,掌握这些应对反爬虫的技巧,绝大部分的网站已经难不到你了。




 - 

学习 scrapy,搭建工程化的爬虫


掌握前面的技术一般量级的数据和代码基本没有问题了,但是在遇到非常复杂的情况,可能仍然会力不从心,这个时候,强大的 scrapy 框架就非常有用了。


scrapy 是一个功能非常强大的爬虫框架,它不仅能便捷地构建request,还有强大的 selector 能够方便地解析 response,然而它最让人惊喜的还是它超高的性能,让你可以将爬虫工程化、模块化。


学会 scrapy,你可以自己去搭建一些爬虫框架,你就基本具备爬虫工程师的思维了。




- ❹ -

学习数据库基础,应对大规模数据存储


爬回来的数据量小的时候,你可以用文档的形式来存储,一旦数据量大了,这就有点行不通了。所以掌握一种数据库是必须的,学习目前比较主流的 MongoDB 就OK。


MongoDB 可以方便你去存储一些非结构化的数据,比如各种评论的文本,图片的链接等等。你也可以利用PyMongo,更方便地在Python中操作MongoDB。


因为这里要用到的数据库知识其实非常简单,主要是数据如何入库、如何进行提取,在需要的时候再学习就行。




 -  -

分布式爬虫,实现大规模并发采集


爬取基本数据已经不是问题了,你的瓶颈会集中到爬取海量数据的效率。这个时候,相信你会很自然地接触到一个很厉害的名字:分布式爬虫


分布式这个东西,听起来很恐怖,但其实就是利用多线程的原理让多个爬虫同时工作,需要你掌握 Scrapy + MongoDB + Redis 这三种工具


Scrapy 前面我们说过了,用于做基本的页面爬取,MongoDB 用于存储爬取的数据,Redis 则用来存储要爬取的网页队列,也就是任务队列。


所以有些东西看起来很吓人,但其实分解开来,也不过如此。当你能够写分布式的爬虫的时候,那么你可以去尝试打造一些基本的爬虫架构了,实现更加自动化的数据获取。




如何高效学习 -

 

你看,这一条学习路径下来,你已然可以成为老司机了,非常的顺畅。所以在一开始的时候,尽量不要系统地去啃一些东西,找一个实际的项目(开始可以从豆瓣、小猪这种简单的入手),直接开始就好


因为爬虫这种技术,既不需要你系统地精通一门语言,也不需要多么高深的数据库技术,高效的姿势就是从实际的项目中去学习这些零散的知识点,你能保证每次学到的都是需要的那部分。

 

当然唯一麻烦的是,在具体的问题中,如何找到具体需要的那部分学习资源、如何筛选和甄别,是很多初学者面临的一个大问题。


不过不用担心,我们准备了一门非常系统的爬虫课程,除了为你提供一条清晰、无痛的学习路径,我们甄选了实用的学习资源以及庞大的主流爬虫案例库。短时间的学习,你就能够很好地掌握爬虫这个技能,获取你想得到的数据。

 




- 课程大纲 -



Python爬虫:入门+进阶



第一章:Python 爬虫入门



1、什么是爬虫

网址构成和翻页机制

网页源码结构及网页请求过程

爬虫的应用及基本原理

 

2、初识Python爬虫(案例1:爬取百度)

Python爬虫环境搭建

创建第一个爬虫:爬取百度首页

爬虫三步骤:获取数据、解析数据、保存数据

 

3、使用Requests爬取豆瓣短评(案例2:爬取豆瓣)

Requests的安装和基本用法

Requests 爬取豆瓣短评信息

一定要知道的爬虫协议

 

4、使用Xpath解析豆瓣短评(案例3:爬取豆瓣)

解析神器Xpath的安装及介绍

Xpath的使用:浏览器复制和手写

实战:用 Xpath 解析豆瓣短评信息

 

5、使用Pandas保存豆瓣短评数据 (案例4:保存数据)

pandas 的基本用法介绍

pandas文件保存、数据处理

实战:使用pandas保存豆瓣短评数据

 

6、浏览器抓包及headers设置(案例5:爬取知乎)

爬虫的一般思路:抓取、解析、存储

浏览器抓包获取Ajax加载的数据

设置headers 突破反爬虫限制

实战:爬取知乎用户数据

 

7、数据入库之MongoDB(案例6:爬取拉勾)

MongoDBRoboMongo的安装和使用

设置等待时间和修改信息头

实战:爬取拉勾职位数据

将数据存储在MongoDB

补充实战:爬取微博移动端数据

 

8、Selenium爬取动态网页(案例7:爬取淘宝)

动态网页爬取神器Selenium搭建与使用

分析淘宝商品页面动态信息

实战:用Selenium 爬取淘宝网页信息

 

 

第二章:Python爬虫之Scrapy框架

 

1、爬虫工程化及Scrapy框架初窥

htmlcssjs、数据库、http协议

Scrapy调度器、下载中间件、项目管道等

常用爬虫工具:数据库、抓包工具等

 

2、Scrapy安装及基本使用

Scrapy安装

Scrapy的基本方法和属性

开始第一个Scrapy项目

 

3、Scrapy选择器的用法

常用选择器:cssxpathrepyquery

css、xpath的使用方法

re的使用方法

pyquery的使用方法

 

4、Scrapy的项目管道

Item Pipeline的主要函数

实战举例:将数据写入文件

实战举例:在管道里过滤数据

 

5、Scrapy的中间件

下载中间件和蜘蛛中间件

下载中间件的三大函数

系统默认提供的中间件

 

6、Scrapy的Request和Response详解

Request对象基础参数和高级参数

Response对象参数和方法

Response对象方法的综合利用详解

 


第三章:Python爬虫进阶操作

 

1、网络进阶之谷歌浏览器抓包分析

http请求详细分析

网络面板结构

过滤请求的关键字方法

复制、保存和清除网络信息

查看资源发起者和依赖关系

 

2、数据入库之去重与数据库

如何进行数据去重

MongoDB数据入库

 


第四章:分布式爬虫及实训项目

 

1、大规模并发采集——分布式爬虫的编写

Scrapy分布式爬取原理

Scrapy-Redis的使用

Scrapy分布式部署详解

 

2、实训项目(一)——58同城二手房监控

58同城抓取流程分析

网站抓取代码块示例,搭建工程框架

各流程详细操作及代码实现


3、实训项目(二)——去哪儿网模拟登陆

模拟登陆的原理及实现方式

cookie及session

去哪儿模拟登陆问题思考及方案准备

流程拆解及具体代码实现


4、实训项目(三)——京东商品数据抓取

Spider类和CrawlSpider类

京东商品信息抓取分析,确定方案流程

抓取详细操作及代码实现





- 高效的学习路径 -

 


一上来就讲理论、语法、编程语言是非常不合理的,我们会直接从具体的案例入手,通过实际的操作,学习具体的知识点。我们为你规划了一条系统的学习路径,让你不再面对零散的知识点。

 

说点具体的,比如我们会直接用 lxml+Xpath取代 BeautifulSoup 来进行网页解析,减少你不必要的检查网页元素的操作,比如 Requests 能够解决的事情,我们就不用 urllib了,多种工具都能完成的,我们会给你简单的方法,这些看似细节,但可能是很多人都会踩的坑。

 

 

 

- 每课都有学习资料 -

 

你可能收集了以G计的的学习资源,但保存后从来没打开过?我们已经帮你找到了有用的那部分,并且用简单的形式描述出来,帮助你学习,你可以把更多的时间用于练习和实践。

 

考虑到各种各样的问题,我们在每一节都准备了课后资料,包含四个部分:

 

1.课程重点笔记,详细阐述重点知识,帮助你理解和后续快速复习;

2.默认你是小白,补充所有基础知识,哪怕是软件的安装与基本操作;

3.课内外案例提供参考代码学习,让你轻松应对主流网站爬虫;

4.超多延伸知识点和更多问题的解决思路,让你有能力去解决实际中遇到的一些特殊问题。


某节部分课后资料



 

- 超多案例,覆盖主流网站 -

 

课程中提供了目前最常见的网站爬虫案例:豆瓣、百度、知乎、淘宝、京东、微博……每个案例在课程视频中都有详细分析,老师带你完成每一步操作

 

另外,我们还会补充比如小猪、链家、58同城、网易云音乐、微信好友等案例,提供思路与代码。

 

多次的模仿和练习之后,你可以很轻松地写出自己的爬虫代码,并能够轻松爬取这些主流网站的数据。

 




 

 

- 技能拓展:反爬虫及数据存储、处理 -

 

懂得基本的爬虫是远远不够的,所以我们会用实际的案例,带你了解一些网站的反爬虫措施,并且用具体的技术绕过限制。比如异步加载、IP限制、headers限制、验证码等等,这些比较常见的反爬虫手段,你都可以很好地规避。

 

工程化的爬虫、及分布式爬虫技术,让你有获取大规模数据的可能。 除了爬虫的内容,你还将了解数据库(Mongodb)、pandas 的基本知识,帮你存储爬取的数据,同时可以对数据进行管理和清洗,你可以获得更干净的数据,以便后续的分析和处理。



用 Scrapy 爬取租房信息


爬取拉勾招聘数据并用 MongoDB 存储


 

 

- 导师团队 -

 


黄震昕

造数科技创始人兼CEO


创立的造数科技是一家新一代智能云数据采集服务提供商,帮助企业和个人轻松获取并分析、利用外部数据,帮助其完成市场分析、竞品监控、舆情监控、商机发现等。造数上线一年以来,已经服务了13000多个企业和个人客户,分布在零售、电商、金融、资询、大数据等行业。造数新一代智能云爬虫产品已编入人教版高中信息技术教材(2018年9月出版)。




刘畅

高级爬虫工程师 


造数爬虫项目组主要负责人, CPO(首席爬虫工程师),因常年对淘宝,京东,58,高德,美团,等互联网企业进行反爬策略分析并抓取,而被各大互联网公司成为头号“害虫”,见之必杀(程序员何苦为难程序员),目前造数构建大型分布式爬虫,和开发日IP过十万的高效代理池系统。




张世润

高级爬虫工程师 


爱好者:喜欢Python,擅长爬虫,数据处理; 

创作者:知乎原创文章近百篇,拥有近万粉丝; 

学习者:爱学习的“萌新”,自学成长为爬虫工程师,深谙自学之道,愿分享所有能量带大家入门。




除了经验丰富、带你一步步实操的课程老师之外,DC学院还建立了提升效率的学习群,助教老师会在群里及时解答学员每一个疑问。同时,你还可以跟一群未来优秀的爬虫工程师,分享经验、代码、数据,探讨爬虫和数据分析技术在短时间内,你也能够去获取互联网上的大规模数据。




【课程信息】



「 课程名称 」

Python 爬虫:入门+进阶


「 学习周期 」

建议每周至少学习8小时,一个月内完成课程


「 上课形式 」

录播课程,可随时开始上课,反复观看


「 面向人群 」

零基础的小白,负基础的小白白


「 答疑形式 」

学习群老师随时答疑,即便是最初级的问题


「 课程资料 」

重点笔记、操作详解、参考代码、课后拓展


「 课程案例 」

爬取豆瓣短评、图书、电影数据

爬取知乎用户、回答数据

爬取淘宝、京东商品数据

爬取拉勾职位数据

爬取去哪儿旅游景点数据

爬取58同城二手房数据



 

限时底价,本期抢完即止

¥299(原价¥399),限额100名

课程详情及名额预定,扫下方二维码



课程咨询/获取试听

加Amy小姐姐微信



 


极速入门爬虫,搞定大规模数据爬取

点击下方“阅读原文”去上课


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/33676
 
364 次点击