一、基础入门

1、什么是爬虫

爬虫(spider，又网络爬虫)，是指向网站/网络发起请求，获取资源后分析并提取有用数据的程序。

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用。

2、爬虫基本流程

用户获取网络数据的方式：

方式1：浏览器提交请求—>下载网页代码—>解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式 2；

入门python爬虫，10分钟就够了，这可能是我见过最简单的基础教学

1、发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等

Request模块缺陷：不能执行JS 和CSS 代码

2、获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

3、解析内容

解析html数据：正则表达式（RE模块）、xpath（主要使用）、beautiful soup、css

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

4、保存数据

数据库（MySQL，Mongdb、Redis）或 文件的形式。

如果你也喜欢编程，想通过学习Python转行、做副业或者提升工作效率，我也为大家整理了一份【最新全套Python学习资料】一定对你有用！

对于0基础小白入门：

如果你是零基础小白，想快速入门Python是可以考虑的！

1、学习时间相对较短，学习内容更全面更集中

2、可以找到适合自己的学习方案

这份资料包含：Python安装包+激活码、Python web开发，Python爬虫，Python数据分析，人工智能、机器学习等教程，带你从零开始系统性的学好Python！

3、http协议请求与响应

http协议

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

对Python感兴趣或者是正在学习的小伙伴，可以加入我们的Python学习扣qun：784758214，从0基础的python脚本到web开发、爬虫、django、数据挖掘数据分析等，0基础到项目实战的资料都有整理。送给每一位python的小伙伴！每晚分享一些学习的方法和需要注意的小细节，学习路线规划，利用编程赚外快。快点击加入我们的 python学习圈

1、request

（1）请求方式

常见的请求方式：GET / POST

（2）请求的URL

url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定

（3）请求头

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意：一般做爬虫都会加上请求头。

请求头需要注意的参数：

Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

cookie：请求头注意携带

（4）请求体

请求体 如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到） 如果是post方式，请求体是format data

ps：1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

2、response

（1）响应状态码

200：代表成功

301：代表跳转

404：文件不存在

403：无权限访问

502：服务器错误

（2）response header

响应头需要注意的参数：Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（3）preview就是网页源代码

json数据

如网页html，图片

二进制数据等。

二、基础模块

1、requests

requests是python实现的简单易用的HTTP库,是由urllib的升级而来。

开源地址：https://github.com/pydmy…

中文API：http://docs.python-requests.o…

2、re 正则表达式

在 Python 中使用内置的 re 模块来使用正则表达式。

缺点：处理数据不稳定、工作量大

3、XPath

Xpath(XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。

在python中主要使用 lxml 库来进行xpath获取（在框架中不使用lxml，框架内直接使用xpath即可）

lxml 是 一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。

4、BeautifulSoup

和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

使用BeautifulSoup需要导入bs4库

缺点：相对正则和xpath处理速度慢

优点：使用简单

5、Json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。

在python中主要使用 json 模块来处理 json数据。Json解析网站：

https://www.sojson.com/simple…

6、threading

使用threading模块创建线程，直接从threading.Thread继承，然后重写__init__方法和run方法

三、方法实例

1、get方法实例

demo_get.py

2、post方法实例

demo_post.py

3、添加代理

demo_proxies.py

4、获取ajax类数据实例

demo_ajax.py

5、使用多线程实例

demo_thread.py

四、爬虫框架

1、Srcapy框架

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

Scrapy 使用了 Twisted’twɪstɪd异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

2、Scrapy架构图

3、Scrapy主要组件

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

4、Scrapy的运作流程

引擎：Hi！Spider, 你要处理哪一个网站？

Spider：老大要我处理xxxx.com

引擎：你把第一个需要处理的URL给我吧

Spider：给你，第一个URL是xxxxxxx.com

引擎：Hi！调度器，我这有request请求你帮我排序入队一下

调度器：好的，正在处理你等一下

引擎：Hi！调度器，把你处理好的request请求给我

调度器：给你，这是我处理好的request

引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给de
parse()这个函数处理的）

Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据

引擎：Hi ！管道
我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息

管道``调度器：好的，现在就做！

5、制作Scrapy爬虫4步曲

1、新建爬虫项目scrapy startproject mySpider
2、明确目标 （编写items.py）打开mySpider目录下的items.py
3、制作爬虫 （spiders/xxspider.py）scrapy genspider gushi365 “gushi365.com”
4、存储内容 （pipelines.py）设计管道存储爬取内容

五、常用工具

1、fidder

fidder是一款抓包工具，主要用于手机抓包。

2、XPath Helper

xpath helper插件是一款免费的chrome爬虫网页解析工具。可以帮助用户解决在获取xpath路径时无法正常定位等问题。

谷歌浏览器插件xpath helper 的安装和使用：https://jingyan.baidu.com/art…

在学习过程中有什么不懂得可以加我的python学习扣扣qun，784758214群里有不错的学习视频教程、开发工具与电子书籍。与你分享python企业当下人才需求及怎么从零基础学习好python，和学习什么内容

六、分布式爬虫

1、scrapy-redis

Scrapy-redis是为了更方便地实现Scrapy分布式爬取，而提供了一些以redis为基础的组件（pip install scrapy-redis）

2、分布式策略

Master端(核心服务器) ：搭建一个Redis数据库，不负责爬取，只负责url指纹判重、Request的分配，以及数据的存储。

六、 Python学习资源及经验总结

以下是我整理的python爬虫入门学习资料，都已经整理并打包好了。

点击免费领取《CSDN大礼包》：

最新全套【Python入门到进阶资料 & 实战源码 &安装工具】

1、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

2、Python课程视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

3、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

4、清华编程大佬出品《漫画看学Python》

用通俗易懂的漫画，来教你学习Python，让你更容易记住，并且不会枯燥乏味。

5、Python实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

6、互联网企业面试真题

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

这份完整版的Python全套学习资料已经上传至CSDN官方，朋友们如果需要可以扫描下方二维码免费获取【保证100%免费】

以上全套资料已经为大家打包准备好了，希望对正在学习Python的你有所帮助！

---

如果你觉得这篇文章有帮助，可以点个赞呀~

我会坚持每天更新Python相关干货，分享自己的学习经验帮助想学习Python的朋友们少走弯路！