Python基础学习教程：从0学爬虫？让爬虫满足你的好奇心

有必要学爬虫吗？

我想，这已经是一个不需要讨论的问题了。

爬虫，“有用”也“有趣”！

这个数据为王的时代，我们要从这个庞大的互联网中来获取到我们所需要的数据， 爬虫是不二之选。无论是过去的“搜索引擎”，还是时下热门的“数据分析”，它都是获取数据必不可少的手段。掌握爬虫后，你看到很多“有趣”的东西！不管你是什么技术方向，掌握了这门技术能让你在繁荣的互联网中探索，方便快捷的收集各种各样的数据或者文件。除了好玩有趣之外，爬虫是实实在在有非常多的用武之地的，事实上，很多公司在招聘时，对爬虫也是有要求的。

那么想要学好网络爬虫，你需要初步掌握一些基础知识：

• 网络爬虫中常用的Python基础知识
• HTTP协议通信原理（我们在浏览网页的时候是怎样的一个过程，他是如何构成的？）
• HTML、CSS、JS入门基础（掌握网页结构以及从网页中定位具体的元素）

具备了这些基础，你就可以开始学习爬虫了。现在学爬虫，当然是Python爬虫，这是当下绝对的主流。

不过很多伙伴还是会有疑惑！

• 学Python是不是应该先学学爬虫？
• 学完基础知识后我该如何去进阶？
• 学完爬虫之后有什么用？

在最新的编程语言排行榜上，Pyhton超越Java，成为了榜一，越来越多的程序员选择Python，甚至有人说，使用Python是“面向未来编程”。关于Python与“爬虫”的关系，当然是需要先掌握一些Python基础知识，再学习爬虫。

但是如果你刚开始学习Python，并想深入下去，那掌握Python基础后，我推荐你先学习爬虫，而不是其它的方向，为什么呢？

首先，通过学习爬虫的确可以很容易的掌握Python基础学习教程中的不少知识。当然，这可能也是因为Python世界诞生了众多出色的爬虫项目，使得Python给大家留下了这种印象，但是爬虫能锻炼并提升你的Python技术是毋庸置疑的。

其次，掌握爬虫技术后，你会看到很多不同风景。在你使用爬虫爬取数据的过程中，你会感到非常好玩儿，相信我，这种趣味性和好奇心，会让你对Python有一种天生的喜爱感，为让你有深入学习Python的动力。

我们使用Python开发爬虫，Python最强大的地方不在于语言本身而是其庞大而活跃的开发者社区和上亿量级的第三方工具包。通过这些工具包我们可以快速的实现一个又一个的功能而不用我们自己去造轮子，掌握的工具包越多，我们在编写爬虫程序的时候也就越方便。另外，爬虫的工作目标是“互联网”，所以HTTP通信和HTML、CSS、JS这些技能在编写爬虫程序的时候都会用的到。

作为开发人员，代码是最好的老师，在实践中学习，直接靠代码说话，是我们程序员的学习方式。只要具备Python基础，这次专栏足以让你从完全不懂爬虫，到有能力在工作中实际开发爬虫、使用爬虫。

实际生产中，我们所需要的数据一般也逃不过这样的页面结构：

新闻供稿专用爬虫——爬取RSS订阅数据

网易新闻爬虫——泛爬网技术

网易爬虫优化——大规模数据处理技术

豆瓣读书爬虫——测试驱动设计与高级反爬技术实践

蘑菇街采集——处理深度继承javascript网站

慢速爬虫的应用举例——知乎爬虫

后续我会带着大家一一实现这些页面结构，实现技术各不相同的页面爬虫，让大家通过具体的代码实践了解在什么样的情况下可以采用什么样的技术来处理，遇到了反爬措施我们该如何去解决，通过具体应用建立起对爬虫的具体认知在了解背后的技术理论。

说到这 可能有的伙伴要问了：编写完爬虫程序之后呢？不要着急，在编写完爬虫程序之后我还会带着大家将我们的爬虫程序部署，真正的让我们的爬虫“大展宏图”。

• 掌握Scrapy框架开发
• 学会泛爬技术应对海量数据
• 优化你的增量式爬虫
• 通过分布式爬虫解决大规模并发的爬虫项目
• 运用Docker容器技术进行爬虫部署

互联网上到底藏着多少数据信息呢？它又能为我们的生活和工作带来什么不同的感受呢？保持着你的好奇心，从现在开始，让我们一起学爬虫，一起玩爬虫，一起用爬虫吧！

下面先跟大家讲一下Python爬虫我们要用到的爬虫工具！这也是学爬虫的第一步！

爬虫第一步做什么？

​没错，一定是目标站点分析！

1.Chrome

Chrome是爬虫最基础的工具，一般我们用它做初始的爬取分析，页面逻辑跳转、简单的js调试、网络请求的步骤等。我们初期的大部分工作都在它上面完成，打个不恰当的比喻，不用Chrome，我们就要从现代倒退到几百年前的古代！

同类工具： Firefox、Safari、Opera

2.Charles

Charles与Chrome对应，只不过它是用来做App端的网络分析，相较于网页端，App端的网络分析较为简单，重点放在分析各个网络请求的参数。当然，如果对方在服务端做了参数加密，那就涉及逆向工程方面的知识，那一块又是一大箩筐的工具，这里暂且不谈

同类工具：Fiddler、Wireshark、Anyproxy

接下来，分析站点的反爬虫

3.cUrl

维基百科这样介绍它

cURL是一个利用URL语法在命令行下工作的文件传输工具，1997年首次发行。它支持文件上传和下载，所以是综合传输工具，但按传统，习惯称cURL为下载工具。cURL还包含了用于程序开发的libcurl。

在做爬虫分析时，我们经常要模拟一下其中的请求，这个时候如果去写一段代码，未免太小题大做了，直接通过Chrome拷贝一个cURL，在命令行中跑一下看看结果即可，步骤如下

4.Postman

当然，大部分网站不是你拷贝一下cURL链接，改改其中参数就可以拿到数据的，接下来我们做更深层次的分析，就需要用到Postman“大杀器”了。为什么是“大杀器”呢？因为它着实强大。配合cURL，我们可以将请求的内容直接移植过来，然后对其中的请求进行改造，勾选即可选择我们想要的内容参数，非常优雅

5.Online JavaScript Beautifier

用了以上的工具，你基本可以解决大部分网站了，算是一个合格的初级爬虫工程师了。这个时候，我们想要进阶就需要面对更复杂的网站爬虫了，这个阶段，你不仅要会后端的知识，还需要了解一些前端的知识，因为很多网站的反爬措施是放在前端的。你需要提取对方站点的js信息，并需要理解和逆向回去，原生的js代码一般不易于阅读，这时，就要它来帮你格式化吧

6.EditThisCookie

爬虫和反爬虫就是一场没有硝烟的拉锯战，你永远不知道对方会给你埋哪些坑，比如对Cookies动手脚。这个时候你就需要它来辅助你分析，通过Chrome安装EditThisCookie插件后，我们可以通过点击右上角小图标，再对Cookies里的信息进行增删改查操作，大大提高对Cookies信息的模拟

接着，设计爬虫的架构

7.Sketch

当我们已经确定能爬取之后，我们不应该着急动手写爬虫。而是应该着手设计爬虫的结构。按照业务的需求，我们可以做一下简单的爬取分析，这有助于我们之后开发的效率，所谓磨刀不误砍柴工就是这个道理。比如可以考虑下，是搜索爬取还是遍历爬取？采用BFS还是DFS？并发的请求数大概多少？考虑一下这些问题后，我们可以通过Sketch来画一下简单的架构图

同类工具：Illustrator、 Photoshop

终于开始了愉快的爬虫开发之旅

终于要进行开发了，经过上面的这些步骤，我们到这一步，已经是万事俱备只欠东风了。这个时候，我们仅仅只需要做code和数据提取即可

8.XPath Helper

在提取网页数据时，我们一般需要使用xpath语法进行页面数据信息提取，一般地，但我们只能写完语法，发送请求给对方网页，然后打印出来，才知道我们提取的数据是否正确，这样一方面会发起很多不必要的请求，另外一方面，也浪费了我们的时间。这个就可以用到XPath Helper了，通过Chrome安装插件后，我们只需要点击它在对应的xpath中写入语法，然后便可以很直观地在右边看到我们的结果，效率up+10086

9.JSONView

我们有时候提取的数据是Json格式的，因为它简单易用，越来越多的网站倾向于用Json格式进行数据传输。这个时候，我们安装这个插件后，就可以很方便的来查看Json数据啦

10.JSON Editor Online

JSONView是直接在网页端返回的数据结果是Json，但多数时候我们请求的结果，都是前端渲染后的HTML网页数据，我们发起请求后得到的json数据，在终端(即terminal)中无法很好的展现怎么办？借助JSON Editor Online就可以帮你很好的格式化数据啦，一秒格式化，并且实现了贴心得折叠Json数据功能

既然看到这里了，相信你们也是很好学的小伙伴了，这里跟你们一个彩蛋工具。

0.ScreenFloat

它是干嘛的呢？其实是一个屏幕悬浮工具，其实别小看了它，它特别重要，当我们需要分析参数时，经常需要在几个界面来回切换，这个时候有一些参数，我们需要比较他们的差异，这个时候，你就可以通过它先悬浮着，不用在几个界面中来切换。非常方便。再送你一个隐藏玩法，比如上图这样。

这次先跟大家分享这么多，后续的Python基础学习教程和Python爬虫会继续为大家更新！夏天来了，伙伴们在认真学习的同时，也要多注意休息啊！