零基礎不知道如何做Python爬蟲，這是一份簡單入門的教程！
隨著互聯網的數據爆炸式增長，而利用Python爬蟲我們可以獲取大量有價值的數據：
1.爬取數據，進行市場調研和商業分析
爬取知乎優質答案，篩選各話題下最優質的內容； 抓取房產網站買賣信息，分析房價變化趨勢、做不同區域的房價分析；爬取招聘網站職位信息，分析各行業人才需求情況及薪資水平。
2.作為機器學習、數據挖掘的原始數據
比如你要做一個推薦系統，那么你可以去爬取更多維度的數據，做出更好的模型。
3.爬取優質的資源：圖片、文本、視頻
爬取商品的評論以及各種圖片網站，獲得圖片資源以及評論文本數據。
掌握正確的方法，在短時間內做到能夠爬取主流網站的數據，其實非常容易實現。
首先我們來了解爬蟲的基本原理及過程
大部分爬蟲都是按“發送請求——獲得頁面——解析頁面——抽取并儲存內容”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信息的過程。
簡單來說，我們向服務器發送請求后，會得到返回的頁面，通過解析頁面之后，我們可以抽取我們想要的那部分信息，并存儲在指定的文檔或數據庫中。
在這部分你可以簡單了解 HTTP 協議及網頁基礎知識，比如 POSTGET、HTML、CSS、JS，簡單了解即可，不需要系統學習。
學習 Python 包并實現基本的爬蟲過程
Python中爬蟲相關的包很多：urllib、requests、bs4、scrapy、pyspider 等，建議你從requests+Xpath 開始，requests 負責連接網站，返回網頁，Xpath 用于解析網頁，便于抽取數據。
如果你用過 BeautifulSoup，會發現 Xpath 要省事不少，一層一層檢查元素代碼的工作，全都省略了。掌握之后，你會發現爬蟲的基本套路都差不多，一般的靜態網站根本不在話下，小豬、豆瓣、糗事百科、騰訊新聞等基本上都可以上手了。
存數據
首先，我們來說存數據，是因為在初期學習的時候，接觸的少，也不需要太過于關注，隨著學習的慢慢深入，我們需要保存大批量的數據的時候，就需要去學習數據庫的相關知識了！
初期，我們抓到需要的內容后，只需要保存到本地，無非保存到文檔、表格（excel）等等幾個方法，這里大家只需要掌握with語句就基本可以保證需求了。大概是這樣的：
with open（路徑以及文件名，保存模式） as f：
f.write（數據）#如果是文本可直接寫入，如果是其他文件，數據為二進制模式更好
當然保存到excel表格或者word文檔需要用到 xlwt庫（excel）、python-docx庫（word），這個在網上很多，大家可以自行去學習。
取數據
說了這么多，我們來說說主題。怎么來抓取我們想要的數據呢？我們一步步的來！
一般所謂的取網頁內容，指的是通過Python腳本實現訪問某個URL地址(請求數據)，然后獲得其所返回的內容（HTML源碼，Json格式的字符串等）。然后通過解析規則（頁面解析），分析出我們需要的數據并取（內容匹配）出來。
在python中實現爬蟲非常方便，有大量的庫可以滿足我們的需求，比如先用requests庫取一個url（網頁）的源碼
- import requests#導入庫
- url = '你的目標網址'
- response = requests.get(url) #請求數據
- print(response.text) #打印出數據的文本內容
這幾行代碼就可以獲得網頁的源代碼，但是有時候這里面會有亂碼，為什么呢？
因為中文網站中包含中文，而終端不支持gbk編碼，所以我們在打印時需要把中文從gbk格式轉為終端支持的編碼，一般為utf-8編碼。
所以我們在打印response之前，需要對它進行編碼的指定（我們可以直接指定代碼顯示的編碼格式為網頁本身的編碼格式，比如utf-8，網頁編碼格式一般都在源代碼中的<meta>標簽下的charset屬性中指定）。加上一行即可。
- response.encode = 'utf-8' #指定編碼格式
至此，我們已經獲取了網頁的源代碼，接下來就是在亂七八糟的源代碼中找到我們需要的內容，這里就需要用到各種匹配方式了，常用的幾種方式有：正則表達式（re庫），bs4（Beautifulsoup4庫），xpath（lxml庫）！
建議大家從正則開始學習，最后一定要看看xpath，這個在爬蟲框架scrapy中用的很多！
通過各種匹配方式找到我們的內容后（注意：一般匹配出來的是列表），就到了上面所說的存數據的階段了，這就完成了一個簡單的爬蟲！
當然了，在我們具體寫代碼的時候，會發現很多上面沒有說到的內容，比如
- 獲取源代碼的時候遇到反爬，根本獲取不到數據
- 有的網站需要登錄后才可以拿到內容
- 遇到驗證碼
- 獲取到內容后寫入文件出錯
- 怎樣來設計循環，獲取大批量的內容甚至整站爬蟲
剩下的我們再來慢慢的研究。
總結
Python爬蟲這種技術，既不需要你系統地精通一門語言，也不需要多么高深的數據庫技術，高效的姿勢就是從實際的項目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。
