我的书签
添加书签
移除书签学习爬虫的正确打开方式
看了大部分回答不禁叹口气，主要是因为看到很多大牛在回答像“如何入门爬虫”这种问题的时候，一如当年学霸讲解题目，跳步无数，然后留下一句“不就是这样推嘛”，让一众小白菜鸟一脸懵逼。。作为一个0起步（之前连python都不会），目前总算掌握基础，开始向上进阶的菜鸟，深知其中的不易，所以我会在这个回答里，尽可能全面、细节地分享给大家从0学习爬虫的各种步骤，如果对你有帮助，请点赞~
首先！你要对爬虫有个明确的认识，这里引用毛主席的思想：
在战略上藐视：
“所有网站皆可爬”：互联网的内容都是人写出来的，而且都是偷懒写出来的（不会第一页是a，下一页是8），所以肯定有规律，这就给人有了爬取的可能，可以说，天下没有不能爬的网站“框架不变”：网站不同，但是原理都类似，大部分爬虫都是从 发送请求——获得页面——解析页面——下载内容——储存内容 这样的流程来进行，只是用的工具不同
在战术上重视：
持之以恒，戒骄戒躁：对于初学入门，不可轻易自满，以为爬了一点内容就什么都会爬了，爬虫虽然是比较简单的技术，但是往深学也是没有止境的（比如搜索引擎等）！只有不断尝试，刻苦钻研才是王道！（为何有种小学作文即视感）
||
||
V
然后，你需要一个宏伟的目标，来让你有持续学习的动力（没有实操项目，真的很难有动力）
我要爬整个豆瓣！…
我要爬整个草榴社区！
我要爬知乎各种妹子的联系方式*&^#%^$#
接着，你需要扪心自问一下，自己的python基本功吼不吼啊？
吼啊！——OK，开始欢快地学习爬虫吧 ！
不吼？你还需要学习一个！赶紧回去看Python核心编程教程。至少这些功能和语法你要有基本的掌握 ：list，dict：用来序列化你爬的东西切片：用来对爬取的内容进行分割，生成条件判断（if等）：用来解决爬虫过程中哪些要哪些不要的问题循环和迭代（for while ）：用来循环，重复爬虫动作文件读写操作：用来读取参数、保存爬下来的内容等
||
||
V
然后，你需要补充一下下面几个内容，作为你的知识储备：
（注：这里并非要求“掌握”，下面讲的两点，只需要先了解，然后通过具体项目来不断实践，直到熟练掌握）
1、网页的基本知识：
基本的HTML语言知识（知道href等大学计算机一级内容即可）
理解网站的发包和收包的概念（POST GET）
稍微一点点的js知识，用于理解动态网页（当然如果本身就懂当然更好啦）
2、一些分析语言，为接下来解析网页内容做准备
NO.1 正则表达式：扛把子技术，总得会最基础的：
NO.2 XPATH：高效的分析语言，表达清晰简单，掌握了以后基本可以不用正则
参考：XPath 教程[http://link.zhihu.com/?target=http%3A//www.w3school.com.cn/xpath/]
NO.3 Beautifulsoup：
美丽汤模块解析网页神器,一款神器，如果不用一些爬虫框架（如后文讲到的scrapy），配合request，urllib等模块（后面会详细讲），可以编写各种小巧精干的爬虫脚本
官网文档：Beautiful Soup 4.2.0 文档[http://link.zhihu.com/?target=http%3A//beautifulsoup.readthedocs.org/zh_CN/latest/]
参考案例：
||
||
V
接着，你需要一些高效的工具来辅助
（同样，这里先了解，到具体的项目的时候，再熟悉运用）
NO.1 F12 开发者工具：
看源代码：快速定位元素
分析xpath：1、此处建议谷歌系浏览器,可以在源码界面直接右键看
NO.2 抓包工具：
推荐httpfox，火狐浏览器下的插件,比谷歌火狐系自带的F12工具都要好，可以方便查看网站收包发包的信息
NO.3 XPATH CHECKER (火狐插件）：
非常不错的xpath测试工具，但是有几个坑，都是个人踩过的，，在此告诫大家：
1、xpath checker生成的是绝对路径，遇到一些动态生成的图标（常见的有列表翻页按钮等），飘忽不定的绝对路径很有可能造成错误，所以这里建议在真正分析的时候，只是作为参考
2、记得把如下图xpath框里的“x:”去掉，貌似这个是早期版本xpath的语法，目前已经和一些模块不兼容（比如scrapy），还是删去避免报错
NO.4 正则表达测试工具：
在线正则表达式测试(http://link.zhihu.com/?target=http%3A//tool.oschina.net/regex/) ，拿来多练练手，也辅助分析！里面有很多现成的正则表达式可以用，也可以进行参考！
||
||
Vok！这些你都基本有一些了解了，现在开始进入抓取时间，上各种模块吧！python的火，很大原因就是各种好用的模块，这些模块是居家旅行爬网站常备的——
urlliburllib2requests
||
||
V
**不想重复造轮子，有没有现成的框架？
华丽丽的scrapy(这块我会重点讲，我的最爱）**
||
||
V
遇到动态页面怎么办？
selenium（会了这个配合scrapy无往不利，是居家旅行爬网站又一神器，下一版更新的时候会着重安利，因为这块貌似目前网上的教程还很少）
||
||
V
爬来的东西怎么用？
pandas（基于numpy的数据分析模块，相信我，如果你不是专门搞TB级数据的，这个就够了）
||
||
V
然后是数据库，这里我认为开始并不需要非常深入，在需要的时候再学习即可
mysqlmongodbsqllite
遇到反爬虫策略验证码之类咋整？
PILopencvpybrain
||
||
V
进阶技术
多线程、分布式
———————————— 乱入的分割线 —————————————
然后学习编程关键的是学以致用，天天捧一本书看不如直接上手操练，下面我通过实际的例子来讲解爬虫——比如最近，楼主在豆瓣上认识了一个很有趣的妹子，发现她一直会更新签名和日志，所以没事就会去她主页看看，但一直没有互相加好友（作为一只高冷的天蝎，怎么可以轻易加好友嘛！而且加了好友，你更新什么都会收到推送，那多没意思啊！一点神秘感都没有了！），可还是想及时获得妹子的最新动态，怎么办？
于是我就写了个70几行的python脚本，包含爬虫+邮件模块，通过windows计划任务每隔一小时自动抓取妹子的签名和最新文章一次，发送到我的邮箱。。嗯，其实是很简单的技术，，代码如下所示：
#-*-coding:utf-8-*- #编码声明，不要忘记！import requests #这里使用requests，小脚本用它最合适！from lxml import html #这里我们用lxml，也就是xpath的方法#豆瓣模拟登录，最简单的是cookie，会这个方法，80%的登录网站可以搞定cookie = {}raw_cookies = ''#引号里面是你的cookie，用之前讲的抓包工具来获得for line in raw_cookies.split(';'):key,value = line.split("=", 1)cookie[key] = value #一些格式化操作，用来装载cookies#重点来了！用requests，装载cookies，请求网站page = requests.get('#妹纸的豆瓣主页#',cookies=cookie)#对获取到的page格式化操作，方便后面用XPath来解析tree = html.fromstring(page.text)#XPath解析，获得你要的文字段落！intro_raw = tree.xpath('//span[@id="intro_display"]/text()')#简单的转码工作，这步根据需要可以省略for i in intro_raw:intro = i.encode('utf-8')print intro #妹子的签名就显示在屏幕上啦#接下来就是装载邮件模块，因为与本问题关联不大就不赘述啦~
