Python爬虫怎么入门-初级篇

经常有同学问老猿Python爬虫该怎么入门，不知道从何学起，网上的文章写了一大堆要掌握的知识，让人更加迷惑。

我也浏览了下网上关于怎么Python爬虫入门的文章，发现有的还在教人用urllib来发送http请求，这真是有点误人子弟了。本文也不提倡刚开始去学习第三方爬虫框架，老猿想把要学习的知识简化一些，让入门更快速，更专注。

Python爬虫入门：技能

真要说Python爬虫需要具备什么知识，那就是你得会Python，哈哈。

其他的知识就是你能熟练运用Python的几个第三方库，当然你具备一点html javascript css http协议 可以提高你的解决问题的效率，但这是一篇入门文章，我们不再这里讨论。

为什么老猿要这样说呢？先来说说爬虫是怎么一会事。

Python爬虫入门：爬虫流程

爬虫程序的完整流程是：
1.通过网络编程把网站上的网页请求下来；
2.对这些网页做数据抽取；
3.把抽取出来的数据存进数据库(或文件)里。
4.循环重复上述步骤，为了抓取大量网页。

下面对上述4个步骤做详细说明：
步骤1：怎么把网页请求下来，你就使用 Python requests 库好了。requests库强大而简洁，他能帮你把网站上的网页请求下来。
步骤2：对请求下来的网页做数据抽取的方式很多。比如用lxml,xpath,BeautifulSoup这些Python库，我这里对初学者推荐用正则式re库，因为lxml,xpath那些的学习时间要长一点，而且对html要有点概念。你先学习下怎么写正则表达式来抽取网页里的数据。
步骤3：这很简单，你是练习的话，你就先把抽取的数据写进文件就好了。
步骤4：这是程序的设计逻辑问题，其实跟爬虫本身不相关，要能循环重复上面的步骤，最简单就是写一个循环语句是吧。

一个爬虫程序其实就是由上述几个动作构成的，大量抓取网页—>对抓取的网页结构化—->把结构化的数据存进数据库—>重复上述步骤。
我们会在4个动作上加入大量的代码（这些代码可能是你自己写的，也可能是运用第三方Python库来辅助写的），其目的就是保证上述四个动作稳定，高效，精准。

比如要保证步骤1的稳定抓取，你要对requests库的请求做容错处理，记录已经抓取的URL，防止重抓取，研究http header和对方网站的访问频率控制策略来降低你的爬虫被屏蔽的概率。
比如要保证步骤2结构化数据的准确度，你就要用chrome浏览器去抓包，用正则表达式re库久了，就会想要试着用下lxml,xpath看看解析网页是否更快速，更准确等。
比如步骤4，等你想要大量高效率抓取网页时，你可能会想试着把程序改成异步IO，或者多线程等。

以上就会让一个原本只有几十行代码的爬虫程序，膨胀到上百行，过千行代码，我们称之为较为高可用，高效率的爬虫程序。

Python爬虫入门：多动手练熟练

在实践中提高Python爬虫技能
我建议作为初学者，尤其如果你的Python又还不太熟悉时，你就从最简单爬虫开始写起，你用这个程序去抓取网页，在这个抓取网页的过程中，你会遇到形形色色的网络问题，网页解析问题，被屏蔽问题，各种报错，遇到问题就善用搜索引擎，去搜索解决方法，在解决这些问题的过程中，你的知识就在巩固和提高，你对爬虫的认知也在提高，这个时候你自己就会想有没有第三方Pyhton库可以来解决这些问题，自己是不是还有些知识点欠缺，这个时候你再反过来去学习相关知识点，这时候你的接受程度和理解程度就快速和容易很多。

总结一下：
作为初学者，你先学习python requests库和re正则表达库后，就开始写爬虫吧，多动手撸码比什么都重要。
PS:python requests 运用熟练了，你就已能写出一个有用处的爬虫了。

我的公众号：猿人学 Python 上会分享更多心得体会，敬请关注。

***版权申明:若没有特殊说明，文章皆是猿人学 yuanrenxue.con 原创，没有猿人学授权，请勿以任何形式转载。***