切换菜单
搜索
个人笔记云
首页
java
spring
springmvc
python
使用教程
笔记管理
搜索
登录/注册
好物分享
退出
搜索
Python爬虫入门并不难,甚至进阶也很简单(去广告版)
2021-10-13
769
**参考视频教程:** [**Python爬虫工程师从入门到进阶 **](http://www.notescloud.top/goods/detail/1359) ![](images/4632/1634118929857.png) image 互联网的数据爆炸式的增长,而利用 Python 爬虫我们可以获取大量有价值的数据: **1.爬取数据,进行市场调研和商业分析** 爬取知乎优质答案,筛选各话题下最优质的内容; 抓取房产网站买卖信息,分析房价变化趋势、做不同区域的房价分析;爬取招聘网站职位信息,分析各行业人才需求情况及薪资水平。 **2.作为机器学习、数据挖掘的原始数据** 比如你要做一个推荐系统,那么你可以去爬取更多维度的数据,做出更好的模型。 **3.爬取优质的资源:图片、文本、视频** 爬取商品(店铺)评论以及各种图片网站,获得图片资源以及评论文本数据。 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,在目标的驱动下,你的学习才会更加精准和高效。这里给你一条平滑的、零基础快速入门的学习路径: 1.了解爬虫的基本原理及过程 2.Requests+Xpath 实现通用爬虫套路 3.了解非结构化数据的存储 4.应对特殊网站的反爬虫措施 5.Scrapy 与 MongoDB,进阶分布式 01 **了解爬虫的基本原理及过程** ------------------- 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。 简单来说,我们向服务器发送请求后,会得到返回的页面,通过解析页面之后,我们可以抽取我们想要的那部分信息,并存储在指定的文档或数据库中。 在这部分你可以简单了解 HTTP 协议及网页基础知识,比如 POST\\GET、HTML、CSS、JS,简单了解即可,不需要系统学习。 02 **学习 Python 包并实现基本的爬虫过程** ---------------------------- Python中爬虫相关的包很多:urllib、requests、bs4、scrapy、pyspider 等,建议你从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。掌握之后,你会发现爬虫的基本套路都差不多,一般的静态网站根本不在话下,小猪、豆瓣、糗事百科、腾讯新闻等基本上都可以上手了。 来看一个爬取豆瓣短评的例子: ![](images/4632/1634118929872.png) image 选中第一条短评,右键-"检查",即可查看源代码 ![](images/4632/1634118929886.png) image 把短评信息的XPath信息复制下来 ![](images/4632/1634118929900.png) image 我们通过定位,得到了第一条短评的 XPath 信息: ![](images/4632/1634118929913.png) image 如果我们想爬取很多条短评,那么自然应该去获取(复制)更多这样的 XPath: ![](images/4632/1634118929926.png) image 观察第1、2、3条短评的 XPath,你会发现规律,只有\
后面的序号不一样,恰好与短评的序号相对应。那如果我们想爬取这个页面所有的短评信息,那么不要这个序号就好了呀。 通过XPath信息,我们就可以用简单的代码将其爬取下来了: ![](images/4632/1634118929940.png) image ![](images/4632/1634118929955.png) image 爬取的该页面所有的短评信息 当然如果你需要爬取异步加载的网站,可以学习浏览器抓包分析真实请求或者学习Selenium来实现自动化爬取,这样,知乎、时光网、猫途鹰这些动态的网站也基本没问题了。 你还需要了解 Python 的基础知识,比如: 文件读写操作:用来读取参数、保存爬取内容 list(列表)、dict(字典):用来序列化爬取的数据 条件判断(if/else):解决爬虫中的判断是否执行 循环和迭代(for ......while):用来循环爬虫步骤 03 **非结构化数据的存储** ---------------- 爬回来的数据可以直接用文档形式存在本地,也可以存入数据库中。 开始数据量不大的时候,你可以直接通过 Python 的语法或 pandas 的方法将数据存为text、csv这样的文件。还是延续上面的例子: 用Python的基础语言实现存储: ![](images/4632/1634118929968.png) image 用pandas的语言来存储: ![](images/4632/1634118929981.png) image 这两段代码都可将爬下来的短评信息存储起来,把代码贴在爬取代码后面即可。 ![](images/4632/1634118929995.png) image 存储的该页的短评数据 \ 当然你可能发现爬回来的数据并不是干净的,可能会有缺失、错误等等,你还需要对数据进行清洗,可以学习 pandas 包,掌握以下知识点就好: **缺失值处理**:对缺失数据行进行删除或填充 **重复值处理**:重复值的判断与删除 **空格和异常值处理**:清楚不必要的空格和极端、异常数据 **数据分组**:数据划分、分别执行函数、数据重组 04**掌握各种技巧,应对特殊网站的反爬措施** ------------------------ 爬取一个页面的的数据是没问题了,但是我们通常是要爬取多个页面。 这个时候就要看看在翻页的时候url是如何变化了,还是以短评的页面为例,我们来看多个页面的url有什么不同: ![](images/4632/1634118930008.png) image 通过前四个页面,我们就能够发现规律了,不同的页面,只是在最后标记了页面的序号。我们以爬取5个页面为例,写一个循环更新页面地址就好了。 ![](images/4632/1634118930022.png) image 当然,爬虫过程中也会经历一些绝望啊,比如被网站封IP、比如各种奇怪的验证码、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、抓包、验证码的OCR处理等等。 比如我们经常发现有的网站翻页后url并不变化,这通常就是异步加载。我们用开发者工具取分析网页加载信息,通常能够得到意外的收获。 ![](images/4632/1634118930035.png) image 通过开发者工具分析加载的信息.比如很多时候如果我们发现网页不能通过代码访问,可以尝试加入userAgent 信息,甚至是浏览器的 cookie 信息。 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。 05. **Scrapy 与 MongoDB,进阶分布式** ------------------------------ 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。 ![](images/4632/1634118930048.png) image 分布式爬取租房信息 爬取的数据量大了,自然会需要数据库,MongoDB 可以方便你去存储大规模的数据。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。 ![](images/4632/1634118930063.png) image MongoDB 存储职位信息 分布式这个东西,听起来非常吓人,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 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。 这个时候,你已经可以去写分布式爬虫了。 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最需要的那部分。 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的学习路径,我们甄选了最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。 **《Python爬虫:入门+进阶》大纲** **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** 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** Requests的安装和基本用法 用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** 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** 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(案例一: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(案例二:爬取拉勾)** MongoDB及RoboMongo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中 补充实战:爬取微博移动端数据 **8、Selenium爬取动态网页(案例三: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** html、css、js、数据库、http协议、前后台联动 爬虫进阶的工作流程 Scrapy组件:引擎、调度器、下载中间件、项目管道等 常用的爬虫工具:各种数据库、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:css、xpath、re、pyquery css的使用方法 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的介绍和作用 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 Request对象方法 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** 数据去重 数据入库MongoDB **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** 分布式爬虫介绍 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** **3、实训项目(二)------去哪儿网模拟登陆** **4、实训项目(三)------京东商品数据抓取**
教程分类
热门视频教程
热门文章
热门书籍推荐