[[212158]]

剛開始接觸爬蟲的時候，簡直驚為天人，十幾行代碼，就可以將無數網頁的信息全部獲取下來，自動選取網頁元素，自動整理成結構化的文件。

利用這些數據，可以做很多領域的分析、市場調研，獲得很多有價值的信息。這種技能不為我所用實在可惜，于是果斷開始學習。

- ❶ -并非開始都是最容易的

剛開始對爬蟲不是很了解，又沒有任何的計算機、編程基礎，確實有點懵逼。從哪里開始，哪些是最開始應該學的，哪些應該等到有一定基礎之后再學，也沒個清晰的概念。

因為是 Python 爬蟲嘛，Python 就是必備的咯，那先從 Python 開始吧。于是看了一些教程和書籍，了解基本的數據結構，然后是列表、字典、元組，各種函數和控制語句（條件語句、循環語句）。

學了一段時間，才發現自己還沒接觸到真正的爬蟲呢，而且純理論學習很快就忘了，回去復習又太浪費時間，簡直不要太絕望。把 Python 的基礎知識過了一遍之后，我竟然還沒裝一個可以敲代碼的IDE，想想就哭笑不得。

- ❷ -開始直接上手

轉機出現在看過一篇爬蟲的技術文章后，清晰的思路和通俗易懂的語言讓我覺得，這才是我想學的爬蟲。于是決定先配一個環境，試試看爬蟲到底是怎么玩的。（當然你可以理解為這是浮躁，但確實每個小白都想去做直觀、有反饋的事情）

因為怕出錯，裝了比較保險的 Anaconda，用自帶的 Jupyter Notebook 作為IDE來寫代碼。看到很多人說因為配置環境出各種BUG，簡直慶幸。很多時候打敗你的，并不是事情本身，說的就是爬蟲配置環境這事兒。

遇到的另一個問題是，Python 的爬蟲可以用很多包或者框架來實現，應該選哪一種呢？我的原則就是是簡單好用，寫的代碼少，對于一個小白來說，性能、效率什么的，統統被我 pass 了。于是開始接觸 urllib、美麗湯（BeautifulSoup），因為聽別人說很簡單。

我上手的***個案例是爬取豆瓣的電影，無數人都推薦把豆瓣作為新手上路的實例，因為頁面簡單且反爬蟲不嚴。照著一些爬取豆瓣電影的入門級例子開始看，從這些例子里面，了解了一點點爬蟲的基本原理：下載頁面、解析頁面、定位并抽取數據。

當然并沒有去系統看 urllib 和 BeautifulSoup 了，我需要把眼前實例中的問題解決，比如下載、解析頁面，基本都是固定的語句，直接用就行，我就先不去學習原理了。

用 urllib 下載和解析頁面的固定句式

當然 BeautifulSoup 中的基本方法是不能忽略的，但也無非是 find、get_text() 之類，信息量很小。就這樣，通過別人的思路和自己查找美麗湯的用法，完成了豆瓣電影的基本信息爬取。

用 BeautifulSoup 爬取豆瓣電影詳情

- ❸ -爬蟲漸入佳境

有了一些套路和形式，就會有目標，可以接著往下學了。還是豆瓣，自己去摸索爬取更多的信息，爬取多部電影，多個頁面。這個時候就發現基礎不足了，比如爬取多個元素、翻頁、處理多種情況等涉及的語句控制，又比如提取內容時涉及到的字符串、列表、字典的處理，還遠遠不夠。

再回去補充 Python 的基礎知識，就很有針對性，而且能馬上能用于解決問題，也就理解得更深刻。這樣直到把豆瓣的TOP250圖書和電影爬下來，基本算是了解了一個爬蟲的基本過程了。

BeautifulSoup 還算不錯，但需要花一些時間去了解一些網頁的基本知識，否則一些元素的定位和選取還是會頭疼。

后來認識到 xpath 之后相見恨晚，這才是入門必備利器啊，直接Chrome復制就可以了，指哪打哪。即便是要自己寫 xpath，以w3school上幾頁的 xpath 教程，一個小時也可以搞定了。requests 貌似也比 urllib 更好用，但摸索總歸是試錯的過程，試錯成本就是時間。

requests+xpath 爬取豆瓣TOP250圖書信息

- ❹ -跟反爬蟲杠上了

通過 requests+xpath，我可以去爬取很多網站網站了，后來自己練習了小豬的租房信息和當當的圖書數據。爬拉勾的時候就發現問題了，首先是自己的請求根本不會返回信息，原來要將自己的爬蟲偽裝成瀏覽器，終于知道別人代碼中那一坨 headers 信息是干啥的了😂。

在爬蟲中添加 headers 信息，偽裝成真實用戶

接著是各種定位不到元素，然后知道了這是異步加載，數據根本不在網頁源代碼中，需要通過抓包來獲取網頁信息。于是在各種 JS、XHR的文件中 preview，尋找包含數據的鏈接。

當然知乎還好，本身加載的文件不多，找到了 json 文件直接獲取對應的數據。（這里要安利一個chrome插件：jsonview，讓小白輕松看懂 json 文件）

瀏覽器抓取 JavaScript 加載的數據

在這里就對反爬蟲有了認識，當然這還是最基本的，更嚴格的IP限制、驗證碼、文字加密等等，可能還會遇到很多難題。但是目前的問題能夠解決不就很好了嗎，逐個擊破才能更高效地學習。

比如后來在爬其他網站的時候就被封了IP，簡單的可以通過 time.sleep() 控制爬取頻率的方法解決，限制比較嚴格或者需要保證爬取速度，就要用代理IP來解決。

當然，后來也試了一下 Selenium，這個就真的是按照真實的用戶瀏覽行為（點擊、搜索、翻頁）來實現爬蟲，所以對于那些反爬蟲特別厲害的網站，又沒有辦法解決，Selenium 是一個超級好用的東東，雖然速度稍微慢點。

- ❺ -嘗試強大的 Scrapy 框架

有了 requests+xpath 和抓包大法，就可以做很多事情了，豆瓣各分類下的電影，58同城、知乎、拉勾這些網站基本都沒問題。不過，當爬取的數據量級很大，而且需要靈活地處理各個模塊的話，會顯得很力不從心。

于是了解到強大的 Scrapy 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，然而最讓人驚喜的還是它超高的性能，可以將爬蟲工程化、模塊化。

Scrapy 框架的基本組件

學會 Scrapy，自己去嘗試搭建了簡單的爬蟲框架，在做大規模數據爬去的時候能夠結構化、工程化地思考大規模的爬取問題，這使我可以從爬蟲工程的維度去思考問題。

當然 Scrapy 本身的 selector 、中間件、spider 等會比較難理解，還是建議結合具體的例子，參考別人的代碼，去理解其中實現的過程，這樣能夠更好地理解。

用 Scrapy 爬取了大量租房信息

- ❻ -本地文件搞不動了，上數據庫

爬回來大量的數據之后就發現，本地的文件存起來非常不方便，即便存下來了，打開大文件電腦會卡得很嚴重。怎么辦呢？果斷上數據庫啊，于是開始入坑 MongoDB。結構化、非結構化的數據都能夠存儲，安裝好 PyMongo，就可以方便地在 Python 中操作數據庫了。

MongoDB 本身安裝會比較麻煩，如果自己一個人去折騰，很有可能會陷入困境。剛開始安裝的時候也是出現各種BUG，幸得大神小X指點，解決了很多問題。

當然對于爬蟲這一塊，并不需要多么高深的數據庫技術，主要是數據的入庫和提取，順帶掌握了基本的插入、刪除等操作。總之，能夠滿足高效地提取爬下來的數據就OK了。

爬取拉勾招聘數據并用 MongoDB 存儲

- ❼ -傳說中的分布式爬蟲

這個時候，基本上很大一部分的網頁都能爬了，瓶頸就集中到爬取大規模數據的效率。因為學了 Scrapy，于是自然地接觸到一個很厲害的名字：分布式爬蟲。

分布式這個東西，一聽不明覺厲，感覺很恐怖，但其實就是利用多線程的原理讓多個爬蟲同時工作，除了前面學過的 Scrapy 和 MongoDB，好像還需要了解 Redis。

Scrapy 用于做基本的頁面爬取，MongoDB 用于存儲爬取的數據，Redis 則用來存儲要爬取的網頁隊列，也就是任務隊列。

分布式這東西看起來很嚇人，但其實分解開來，循序漸進地學習，也不過如此。

分布式爬58同城：定義項目內容部分

零基礎學習爬蟲，坑確實比較多，總結如下：

1.環境配置，各種安裝包、環境變量，對小白太不友好；

2.缺少合理的學習路徑，上來 Python、HTML 各種學，極其容易放棄；

3.Python有很多包、框架可以選擇，但小白不知道哪個更友好；

4.遇到問題甚至不知道如何描述，更不用說去尋找解決辦法；

5.網上的資料非常零散，而且對小白不友好，很多看起來云里霧里；

6.有些東西看似懂了，但結果自己寫代碼還是很困難；

……………………

所以跟我一樣，很多人爬坑***的體會是：盡量不要系統地去啃一些東西，找一個實際的項目（從豆瓣這種簡單的入手），直接開始就好。