python爬虫,学习路径拆解及资源推荐

x
用微信扫描二维码
分享至好友和朋友圈

  

  数据是决策的原材料,高质量的数据价值不菲,如何挖掘原材料成为互联网时代的先驱,掌握信息的源头,就能比别人更快一步。

  大数据时代,互联网成为大量信息的载体,机械的复制粘贴不再实用,不仅耗时费力还极易出错,这时爬虫的出现解放了大家的双手,以其高速爬行、定向抓取资源的能力获得了大家的青睐。

  爬虫变得越来越流行,不仅因为它能够快速爬取海量的数据,更因为有python这样简单易用的语言使得爬虫能够快速上手。

  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,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。

  在目标的驱动下,你的学习才会更加精准和高效。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。

  基于python爬虫,我们整理了一个完整的学习框架:

  

  筛选和甄别学习哪些知识,在哪里去获取资源是许多初学者共同面临的问题。

  接下来,我们将学习框架进行拆解,分别对每个部分进行详细介绍和推荐一些相关资源,告诉你学什么、怎么学、在哪里学。

   爬虫简介

  爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。

  这个定义看起来很生硬,我们换一种更好理解的解释:

  我们作为用户获取网络数据的方式是浏览器提交请求->下载网页代码->解析/渲染成页面;

  而爬虫的方式是模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中。

  爬虫与我们的区别是,爬虫程序只提取网页代码中对我们有用的数据,并且爬虫抓取速度快,量级大。

  随着数据的规模化,爬虫获取数据的高效性能越来越突出,能够做的事情越来越多:

  市场分析:电商分析、商圈分析、一二级市场分析等

  市场监控:电商、新闻、房源监控等

  商机发现:招投标情报发现、客户资料发掘、企业客户发现等

  进行爬虫学习,首先要懂得是网页,那些我们肉眼可见的光鲜亮丽的网页是由HTML、css、javascript等网页源码所支撑起来的。

  这些源码被浏览器所识别转换成我们看到的网页,这些源码里面必定存在着很多规律, 我们的爬虫就能按照这样的规律来爬取需要的信息。

  无规矩不成方圆,Robots协议就是爬虫中的规矩,它告诉爬虫和搜索引擎哪些页面可以抓取,哪些不可以抓取。

  通常是一个叫作robots.txt的文本文件,放在网站的根目录下。

  

  轻量级爬虫

   “获取数据——解析数据——存储数据”是爬虫的三部曲,大部分爬虫都是按这样的流程来进行,这其实也是模拟了我们使用浏览器获取网页信息的过程。

  

1、获取数据

  爬虫第一步操作就是模拟浏览器向服务器发送请求,基于python,你不需要了解从数据的实现,HTTP、TCP、IP的网络传输结构,一直到服务器响应和应达的原理,因为python提供了功能齐全的类库来帮我们完成这些请求。

  Python自带的标准库urllib2使用的较多,它是python内置的HTTP请求库,如果你只进行基本的爬虫网页抓取,那么urllib2足够用。

  Requests的slogen是“Requests is the only Non-GMO HTTP library for Python, safe for humanconsumption”,相对urllib2,requests使用起来确实简洁很多,并且自带json解析器。

  如果你需要爬取异步加载的动态网站,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。

  对于爬虫来说,在能够爬取到数据地前提下当然是越快越好,显然传统地同步代码不能满足我们对速度地需求。

  (ps:据国外数据统计:正常情况下我们请求同一个页面 100次的话,最少也得花费 30秒,但使用异步请求同一个页面 100次的话,只需要要 3秒左右。)

  aiohttp是你值得拥有的一个库,aiohttp的异步操作借助于async/await关键字的写法变得更加简洁,架构更加清晰。使用异步请求库进行数据抓取时,会大大提高效率

  你可以根据自己的需求选择合适的请求库,但建议先从python自带的urllib开始,当然,你可以在学习时尝试所有的方式,以便更了解这些库的使用。

  推荐请求库资源:

  urllib2文档

  https://dwz.cn/8hEGdsqD

  requests文档

  http://t.cn/8Fq1aXr

  selenium文档

  https://dwz.cn/DlL9j9hf

  aiohttp文档

  https://dwz.cn/hvndbuB4

  

  

2、解析数据

  爬虫爬取的是爬取页面指定的部分数据值,而不是整个页面的数据,这时往往需要先进行数据的解析再进行存储。

  从web上采集回来的数据的数据类型有很多种,主要有HTML、 javascript、JSON、XML等格式。

  解析库的使用等价于在HTML中查找需要的信息时时使用正则,能够更加快捷地定位到具体的元素获取相应的信息。

  Css选择器是一种快速定位元素的方法。

  Pyqurrey使用lxml解析器进行快速在xml和html文档上操作,它提供了和jQuery类似的语法来解析HTML文档,支持CSS选择器,使用非常方便。

  Beautiful Soup是借助网页的结构和属性等特性来解析网页的工具,能自动转换编码。支持Python标准库中的HTML解析器,还支持一些第三方的解析器。

  Xpath最初是用来搜寻XML文档的,但是它同样适用于 HTML 文档的搜索。它提供了超过 100 个内建的函数。

  这些函数用于字符串值、数值、日期和时间比较、节点和 QName 处理、序列处理、逻辑值等等,并且XQuery和XPointer都构建于XPath基础上。

  Re正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

  个人认为前端基础比较扎实的,用pyquery是最方便的,beautifulsoup也不错,re速度比较快,但是写正则比较麻烦。

  当然了,既然用python,肯定还是自己用着方便最好。

  推荐解析器资源:

  pyquery

  https://dwz.cn/1EwUKsEG

  Beautifulsoup

  http://t.im/ddfv

  xpath教程

  http://t.im/ddg2

  re文档

  http://t.im/ddg6

  

  

3、数据存储

  当爬回来的数据量较小时,你可以使用文档的形式来储存,支持TXT、json、csv等格式。

  但当数据量变大,文档的储存方式就行不通了,所以掌握一种数据库是必须的。

  Mysql 作为关系型数据库的代表,拥有较为成熟的体系,成熟度很高,可以很好地去存储一些数据,但在在海量数据处理的时候效率会显著变慢,已然满足不了某些大数据的处理要求。

  MongoDB已经流行了很长一段时间,相对于MySQL ,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。

  Redis是一个不折不扣的内存数据库,Redis 支持的数据结构丰富,包括hash、set、list等。

  数据全部存在内存,访问速度快,可以存储大量的数据,一般应用于分布式爬虫的数据存储当中。

  推荐数据库资源:

  mysql文档

  https://dev.mysql.com/doc/

  mongoDB文档

  https://docs.mongodb.com/

  redis文档

  https://redis.io/documentation/

  

  工程化爬虫

  掌握前面的技术你就可以实现轻量级的爬虫,一般量级的数据和代码基本没有问题。

  但是在面对复杂情况的时候表现不尽人意,此时,强大的爬虫框架就非常有用了。

  首先是出身名门的Apache顶级项目Nutch,它提供了我们运行自己的搜索引擎所需的全部工具。

  支持分布式抓取,并有Hadoop支持,可以进行多机分布抓取,存储和索引。

  另外很吸引人的一点在于,它提供了一种插件框架,使得其对各种网页内容的解析、各种数据的采集、查询、集群、过滤等功能能够方便的进行扩展。

  其次是GitHub上众人star的scrapy,scary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。

  最后Pyspider作为人气飙升的国内大神开发的框架,满足了绝大多数Python爬虫的需求 —— 定向抓取,结构化化解析。

  它能在浏览器界面上进行脚本的编写,功能的调度和爬取结果的实时查看,后端使用常用的数据库进行爬取结果的存储等。

  其功能强大到更像一个产品而不是一个框架。

  这是三个最有代表性的爬虫框架,它们都有远超别人的有点,比如Nutch天生的搜索引擎解决方案、Pyspider产品级的WebUI、Scrapy最灵活的定制化爬取。

  建议先从最接近爬虫本质的框架scary学起,再去接触人性化的Pyspider,为搜索引擎而生的Nutch。

  推荐爬虫框架资源:

  Nutch文档

  http://nutch.apache.org/

  scary文档

  https://scrapy.org/

  pyspider文档

  http://t.im/ddgj

  

  反爬及应对措施

  爬虫像一只虫子,密密麻麻地爬行到每一个角落获取数据,虫子或许无害,但总是不受欢迎的。

  因为爬虫技术造成的大量IP访问网站侵占带宽资源、以及用户隐私和知识产权等危害,很多互联网企业都会花大力气进行“反爬虫”。

  你的爬虫会遭遇比如被网站封IP、比如各种奇怪的验证码、userAgent访问限制、各种动态加载等等。

  常见的反爬虫措施有:

  通过Headers反爬虫

  基于用户行为反爬虫

  基于动态页面的反爬虫

  字体反爬

  .....

  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,控制访问频率尽量保证一次加载页面加载且数据请求最小化,每个页面访问增加时间间隔;

  禁止cookie可以防止可能使用cookies识别爬虫的网站来ban掉我们;

  根据浏览器正常访问的请求头对爬虫的请求头进行修改,尽可能和浏览器保持一致等等。

  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。

  

  分布式爬虫

  爬取基本数据已经没有问题,还能使用框架来面对一写较为复杂的数据,此时,就算遇到反爬,你也掌握了一些反反爬技巧。

  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将多台主机组合起来,共同完成一个爬取任务,需要你掌握 Scrapy +Redis+MQ+Celery 这些工具。

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

  scarpy-redis就是用来在scrapy中实现分布式的组件,通过它可以快速实现简单分布式爬虫程序。

  由于在高并发环境下,由于来不及同步处理,请求往往会发生堵塞,通过使用消息队列MQ,我们可以异步处理请求,从而缓解系统的压力。

  RabbitMQ本身支持很多的协议:AMQP,XMPP, SMTP,STOMP,使的它变的非常重量级,更适合于企业级的开发。

  Scrapy-rabbitmq-link是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件。

  Celery 是一个简单、灵活且可靠的,处理大量消息的分布式系统。

  支持 RabbitMQ、Redis 甚至其他数据库系统作为其消息代理中间件, 在处理异步任务、任务调度、处理定时任务、分布式调度等场景表现良好。

  所以分布式爬虫只是听起来有些可怕,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,实现一些更加自动化的数据获取。

  推荐分布式资源:

  scrapy-redis文档

  http://t.im/ddgk

  scrapy-rabbitmq文档

  http://t.im/ddgn

  celery文档

  http://t.im/ddgr

  

  你看,通过这条完整的学习路径走下来,爬虫对你来说根本不是问题。

  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。

  解锁每一个部分的知识点并且有针对性的去学习,走完这一条顺畅的学习之路,你就能掌握python爬虫。

  

编辑:刘杨珂
本文经授权转载自公众号“DC黑板报”

  推荐学习

  https://campus.swarma.org/play/coursedetail?id=115

  

  

  

  集智学园公众号:swarmAI

  集智学园QQ群:426390994

  集智学园官网:campus.swarma.org

  商务合作&投稿转载|swarma@swarma.org

  

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

跟贴 跟贴 1 参与 1
© 1997-2020 网易公司版权所有 About NetEase | 公司简介 | 联系方法 | 招聘信息 | 客户服务 | 隐私政策 | 广告服务 | 网站地图 | 意见反馈 | 不良信息举报

集智俱乐部

科普人工智能相关知识技能

头像

集智俱乐部

科普人工智能相关知识技能

1221

篇文章

1553

人关注

列表加载中...
请登录后再关注
x

用户登录

网易通行证/邮箱用户可以直接登录:
忘记密码