python爬虫入门一

发表于 更新于 分类于

概述

第一步，学会自己安装python、库和你的编辑器并设置好它

我们学习python的最终目的是要用它来达到我们的目的，它本身是作为工具的存在，我们一定要掌握自己的工具的各类设置，比如安装、环境配置、库的安装，编辑器的设置等等。

当然也可以用比如Anaconda来管理你的版本和各种库！

img

豆瓣Python大牛写的爬虫学习路线图，分享给大家！

第二步、学会一些基础的模块

我们有目标网址，怎么写爬虫呢？这个时候，建议大家可以找一些简单爬虫的视频或者文章，跟着老师一起写代码，先感受一下爬虫是怎么一步一步的在你的手里完成的！

当然这里不是说你照着老师的代码敲一遍就算学会了，个人认为，这里你最少要做三步：

l 所有你不知道的库、函数、语法都需要记录下来，自行学习掌握，并在以后的爬虫中继续这个步骤，很重要

l 要学会老师的思路。比如基本所有的教程并不是拿到url就开始写代码了，都有自己的分析过程，而思路在爬虫中占到很大一部分的比重，有了思路，写代码就不难了

l 先模仿在独立完成。先跟着老师做一些简单的爬虫，然后思路和代码都掌握以后，就可以尝试自行查找类似的项目去独立完成一个爬虫了！

l 推荐基础模块：re,requests,time等，自定义函数、类等语法以及报头、cookie的写入等等也需要了解

到这里，你应该已经掌握了python的基础模块并写出了你的简单爬虫，那么可以进行下一个步骤的学习了

豆瓣Python大牛写的爬虫学习路线图，分享给大家！

第三步、学习各种表达式，并精通1-2种！

学会了如何爬取网页内容之后，你还需要学会进行信息的提取。事实上，信息的提取你可以通过表达式进行实现，同样，有很多表达式可以供你选择使用，常见的有正则表达式、XPath表达式、BeautifulSoup（bs4）等，这些表达式你没有必要都精通，同样，精通1-2个，其他的掌握即可，在此建议精通掌握正则表达式以及XPath表达式，其他的了解掌握即可。正则表达式可以处理的数据的范围比较大，简言之，就是能力比较强，XPath只能处理XML格式的数据，有些形式的数据不能处理，但XPath处理数据会比较快,而且以后你学习爬虫框架也会用到xpath。

第四步、深入掌握抓包并分析提取需要的内容

在我们练习的过程中，会经常碰到有反爬措施的网站，而这些网站最常使用的措施就是隐藏数据，那么这时我们就要学会使用抓包分析，推荐大家一定要精通浏览器的开发者工具以及fiddler抓包工具，当然其他抓包工具或者抓包插件也可以，没有特别要求。

第五步、精通爬虫框架

当你学习到这一步的时候，你已经入门了。

这个时候，你可能需要深入掌握一款爬虫框架，因为采用框架开发爬虫项目，效率会更加高，并且项目也会更加完善。

同样，你可以有很多爬虫框架进行选择，比如Scrapy、pySpider等等，一样的，你没必要每一种框架都精通，只需要精通一种框架即可，其他框架都是大同小异的，在此推荐掌握Scrapy框架.

第六步、反爬的学习和精通

常见的反爬策略主要有：

IP限制

UA限制

Cookie限制

资源随机化存储

动态加载技术

……

对应的反爬处理手段主要有：

IP代理池技术

用户代理池技术

Cookie池保存与处理

自动触发技术

抓包分析技术+自动触发技术

反爬以及反爬处理都有一些基本的套路，万变不离其宗，这些需要我们根据实际情况去选择使用

第七步、seleium+phantomjs(firefox/chorm)等工具的使用

有一些站点，通过常规的爬虫很难去进行爬取，这个时候，你需要借助一些工具模块进行，比如PhantomJS、Selenium等，所以，你还需要掌握PhantomJS、Selenium等工具的常规使用方法。

第八步、分布式爬虫技术的掌握

如果你已经学习或者研究到到了这里，那么恭喜你，相信现在你爬任何网站都已经不是问题了，反爬对你来说也只是一道形同虚设的墙而已了。

但是，如果要爬取的资源非常非常多，靠一个单机爬虫去跑，仍然无法达到你的目的，因为太慢了。

所以，这个时候，你还应当掌握一种技术，就是分布式爬虫技术，分布式爬虫的架构手段有很多，你可以依据真实的服务器集群进行，也可以依据虚拟化的多台服务器进行，你可以采用Scrapy+redis架构手段，将爬虫任务部署到多台服务器中就OK。

img

豆瓣Python大牛写的爬虫学习路线图，分享给大家！

总结

有人问：使用windows系统还是linux系统学习？其实，没关系的，由于Python的可移植性非常好，所以你在不同的平台中运行一个爬虫，代码基本上不用进行什么修改，只需要学会部署到Linux中即可。一般建议学习的时候使用Windows系统进行就行，之后部署到Linux系统上就可以了。

基本库的使用

一般爬虫第一个学的库是urllib

urllib 是一个收集了多个用到 URL 的模块的包：

附录

常用模块及功能

选择模块时尽量选择还在更新的模块，一般情况下，这样能避免不少bug，而且能找到更多的学习资料来解决问题。

Python网络通用模块：

  • urllib -网络库(stdlib)。
  • requests -网络库。
  • grab – 网络库（基于pycurl）。
  • pycurl – 网络库（绑定libcurl）。
  • urllib3 – Python HTTP库，安全连接池、支持文件post、可用性高。
  • httplib2 – 网络库。
  • RoboBrowser – 一个简单的、极具Python风格的Python库，无需独立的浏览器即可浏览网页。
  • MechanicalSoup -一个与网站自动交互Python库。
  • mechanize -有状态、可编程的Web浏览库。
  • socket – 底层网络接口(stdlib)。
  • Unirest for Python – Unirest是一套可用于多种语言的轻量级的HTTP库。
  • hyper – Python的HTTP/2客户端。
  • PySocks – SocksiPy更新并积极维护的版本，包括错误修复和一些其他的特征。作为socket模块的直接替换。

Python网络异步模块：

  • treq – 类似于requests的API（基于twisted）。
  • aiohttp – asyncio的HTTP客户端/服务器(PEP-3156)。

Python网络爬虫框架：

  • grab – 网络爬虫框架（基于pycurl/multicur）。
  • scrapy – 网络爬虫框架（基于twisted），不支持Python3。
  • pyspider – 一个强大的爬虫系统。
  • cola – 一个分布式爬虫框架。
  • portia – 基于Scrapy的可视化爬虫。
  • restkit – Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象。
  • demiurge – 基于PyQuery的爬虫微框架。

Python HTML/XML解析器：

  • lxml – C语言编写高效HTML/ XML处理库。支持XPath。

  • cssselect – 解析DOM树和CSS选择器。

  • pyquery – 解析DOM树和jQuery选择器。

  • BeautifulSoup – 低效HTML/ XML处理库，纯Python实现。

  • html5lib – 根据WHATWG规范生成HTML/ XML文档的DOM。该规范被用在现在所有的浏览器上。

  • feedparser – 解析RSS/ATOM feeds。

  • MarkupSafe – 为XML/HTML/XHTML提供了安全转义的字符串。

  • xmltodict – 一个可以让你在处理XML时感觉像在处理JSON一样的Python模块。

  • xhtml2pdf – 将HTML/CSS转换为PDF。

  • untangle – 轻松实现将XML文件转换为Python对象。

  • Bleach – 清理HTML（需要html5lib）。

  • sanitize – 为混乱的数据世界带来清明。

Python 文本处理：

用于解析和操作简单文本的库。

1.通用

  • difflib – （Python标准库）帮助进行差异化比较。
  • Levenshtein – 快速计算Levenshtein距离和字符串相似度。
  • fuzzywuzzy – 模糊字符串匹配。
  • esmre – 正则表达式加速器。
  • ftfy – 自动整理Unicode文本，减少碎片化。

2.转换

  • unidecode – 将Unicode文本转为ASCII。

3.字符编码

  • uniout – 打印可读字符，而不是被转义的字符串。
  • chardet – 兼容 Python的2/3的字符编码器。
  • xpinyin – 一个将中国汉字转为拼音的库。
  • pangu.py – 格式化文本中CJK和字母数字的间距。

4.Slug化

  • awesome-slugify – 一个可以保留unicode的Python slugify库。
  • python-slugify – 一个可以将Unicode转为ASCII的Python slugify库。
  • unicode-slugify – 一个可以将生成Unicode slugs的工具。
  • pytils – 处理俄语字符串的简单工具（包括pytils.translit.slugify）。

5.通用解析器

  • PLY – lex和yacc解析工具的Python实现。
  • pyparsing – 一个通用框架的生成语法分析器。

6.人的名字

  • python-nameparser -解析人的名字的组件。

7.电话号码

  • phonenumbers -解析，格式化，存储和验证国际电话号码。

8.用户代理字符串

  • python-user-agents – 浏览器用户代理的解析器。
  • HTTP Agent Parser – Python的HTTP代理分析器。

Python 特定格式文件处理：

解析和处理特定文本格式的库。

1.通用

  • tablib – 一个把数据导出为XLS、CSV、JSON、YAML等格式的模块。
  • textract – 从各种文件中提取文本，比如 Word、PowerPoint、PDF等。
  • messytables – 解析混乱的表格数据的工具。
  • rows – 一个常用数据接口，支持的格式很多（目前支持CSV，HTML，XLS，TXT – 将来还会提供更多！）。

2.Office

  • python-docx – 读取，查询和修改的Microsoft Word2007/2008的docx文件。
  • xlwt / xlrd – 从Excel文件读取写入数据和格式信息。
  • XlsxWriter – 一个创建Excel.xlsx文件的Python模块。
  • xlwings – 一个BSD许可的库，可以很容易地在Excel中调用Python，反之亦然。
  • openpyxl – 一个用于读取和写入的Excel2010 XLSX/ XLSM/ xltx/ XLTM文件的库。
  • Marmir – 提取Python数据结构并将其转换为电子表格。

3.PDF

  • PDFMiner – 一个从PDF文档中提取信息的工具。
  • PyPDF2 – 一个能够分割、合并和转换PDF页面的库。
  • ReportLab – 允许快速创建丰富的PDF文档。
  • pdftables – 直接从PDF文件中提取表格。

4.Markdown

  • Python-Markdown – 一个用Python实现的John Gruber的Markdown。
  • Mistune – 速度最快，功能全面的Markdown纯Python解析器。
  • markdown2 – 一个完全用Python实现的快速的Markdown。

5.YAML

  • PyYAML – 一个Python的YAML解析器。

6.CSS

  • cssutils – 一个Python的CSS库。

7.ATOM/RSS

  • feedparser – 通用的feed解析器。

8.SQL

  • sqlparse – 一个非验证的SQL语句分析器。

9.HTTP

  • http-parser – C语言实现的HTTP请求/响应消息解析器。

10.微格式

  • opengraph – 一个用来解析Open Graph协议标签的Python模块。

11.可移植的执行体

  • pefile – 一个多平台的用于解析和处理可移植执行体（即PE）文件的模块。

12.PSD

  • psd-tools – 将Adobe Photoshop PSD（即PE）文件读取到Python数据结构。

Python 自然语言处理：

处理人类语言问题的库。

  • NLTK -编写Python程序来处理人类语言数据的最好平台。
  • Pattern – Python的网络挖掘模块。他有自然语言处理工具，机器学习以及其它。
  • TextBlob – 为深入自然语言处理任务提供了一致的API。是基于NLTK以及Pattern的巨人之肩上发展的。
  • jieba – 中文分词工具。
  • SnowNLP – 中文文本处理库。
  • loso – 另一个中文分词库。
  • genius – 基于条件随机域的中文分词。
  • langid.py – 独立的语言识别系统。
  • Korean – 一个韩文形态库。
  • pymorphy2 – 俄语形态分析器（词性标注+词形变化引擎）。
  • PyPLN – 用Python编写的分布式自然语言处理通道。这个项目的目标是创建一种简单的方法使用NLTK通过网络接口处理大语言库。

Python 浏览器自动化处理：

  • selenium – 自动化真正的浏览器（Chrome浏览器，火狐浏览器，Opera浏览器，IE浏览器）。
  • Ghost.py – 对PyQt的webkit的封装（需要PyQT）。
  • Spynner – 对PyQt的webkit的封装（需要PyQT）。
  • Splinter – 通用API浏览器模拟器（selenium web驱动，Django客户端，Zope）。

Python 多线程处理：

  • threading – Python标准库的线程运行。对于I/O密集型任务很有效。对于CPU绑定的任务没用，因为python GIL。
  • multiprocessing – 标准的Python库运行多进程。
  • celery – 基于分布式消息传递的异步任务队列/作业队列。
  • concurrent-futures – concurrent-futures 模块为调用异步执行提供了一个高层次的接口。

Python 异步处理：

异步网络编程库

  • asyncio – （在Python 3.4 +版本以上的 Python标准库）异步I/O，时间循环，协同程序和任务。
  • Twisted – 基于事件驱动的网络引擎框架。
  • Tornado – 一个网络框架和异步网络库。
  • pulsar – Python事件驱动的并发框架。
  • diesel – Python的基于绿色事件的I/O框架。
  • gevent – 一个使用greenlet 的基于协程的Python网络库。
  • eventlet – 有WSGI支持的异步框架。
  • Tomorrow – 异步代码的奇妙的修饰语法。

Python 队列相关：

  • celery – 基于分布式消息传递的异步任务队列/作业队列。
  • huey – 小型多线程任务队列。
  • mrq – Mr. Queue – 使用redis & Gevent 的Python分布式工作任务队列。
  • RQ – 基于Redis的轻量级任务队列管理器。
  • simpleq – 一个简单的，可无限扩展，基于Amazon SQS的队列。
  • python-gearman – Gearman的Python API。

Python 云计算相关：

  • picloud – 云端执行Python代码。
  • dominoup.com – 云端执行R，Python和matlab代码。

Python 电子邮件相关：

电子邮件解析库

  • flanker – 电子邮件地址和Mime解析库。
  • Talon – Mailgun库用于提取消息的报价和签名。

Python 网址和网络地址操作相关：

解析/修改网址和网络地址库。

1.URL

  • furl – 一个小的Python库，使得操纵URL简单化。
  • purl – 一个简单的不可改变的URL以及一个干净的用于调试和操作的API。
  • urllib.parse – 用于打破统一资源定位器（URL）的字符串在组件（寻址方案，网络位置，路径等）之间的隔断，为了结合组件到一个URL字符串，并将“相对URL”转化为一个绝对URL，称之为“基本URL”。
  • tldextract – 从URL的注册域和子域中准确分离TLD，使用公共后缀列表。

2.网络地址

  • netaddr – 用于显示和操纵网络地址的Python库。

Python 网页内容提取相关：

提取网页内容的库。

  • HTML页面的文本和元数据

  • newspaper – 用Python进行新闻提取、文章提取和内容策展。

  • html2text – 将HTML转为Markdown格式文本。

  • python-goose – HTML内容/文章提取器。

  • lassie – 人性化的网页内容检索工具

  • micawber – 一个从网址中提取丰富内容的小库。

  • sumy -一个自动汇总文本文件和HTML网页的模块

  • Haul – 一个可扩展的图像爬虫。

  • python-readability – arc90 readability工具的快速Python接口。

  • scrapely – 从HTML网页中提取结构化数据的库。给出了一些Web页面和数据提取的示例，scrapely为所有类似的网页构建一个分析器。

Python 其它相关：

视频

  • youtube-dl – 一个从YouTube下载视频的小命令行程序。
  • you-get – Python3的YouTube、优酷/ Niconico视频下载器。

维基

  • WikiTeam – 下载和保存wikis的工具。

WebSocket

  • Crossbar – 开源的应用消息传递路由器（Python实现的用于Autobahn的WebSocket和WAMP）。
  • AutobahnPython – 提供了WebSocket协议和WAMP协议的Python实现并且开源。
  • WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客户端和服务器库。

DNS解析

  • dnsyo – 在全球超过1500个的DNS服务器上检查你的DNS。
  • pycares – c-ares的接口。c-ares是进行DNS请求和异步名称决议的C语言库。

计算机视觉

  • OpenCV – 开源计算机视觉库。
  • SimpleCV – 用于照相机、图像处理、特征提取、格式转换的简介，可读性强的接口（基于OpenCV）。
  • mahotas – 快速计算机图像处理算法（完全使用 C++ 实现），完全基于 numpy 的数组作为它的数据类型。

代理服务器

  • shadowsocks – 一个快速隧道代理，可帮你穿透防火墙（支持TCP和UDP，TFO，多用户和平滑重启，目的IP黑名单）。
  • tproxy – tproxy是一个简单的TCP路由代理（第7层），基于Gevent，用Python进行配置。

其他Python工具列表

  • awesome-python
  • pycrumbs
  • python-github-projects
  • python_reference
  • pythonidae