一个月带你入门Python爬虫，轻松爬取大规模数据

Python爬虫为什么受欢迎

如果你仔细观察，就不难发现，懂爬虫、学习爬虫的人越来越多，一方面，互联网可以获取的数据越来越多，另一方面，像 Python这样的编程语言提供越来越多的优秀工具，让爬虫变得简单、容易上手。

利用爬虫我们可以获取大量的价值数据，从而获得感性认识中不能得到的信息，比如：

知乎：爬取优质答案，为你筛选出各话题下最优质的内容。

淘宝、京东：抓取商品、评论及销量数据，对各种商品及用户的消费场景进行分析。

安居客、链家：抓取房产买卖及租售信息，分析房价变化趋势、做不同区域的房价分析。

拉勾网、智联：爬取各类职位信息，分析各行业人才需求情况及薪资水平。

雪球网：抓取雪球高回报用户的行为，对股票市场进行分析和预测。

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。比如有人认为学爬虫必须精通 Python，然后哼哧哼哧系统学习 Python 的每个知识点，很久之后发现仍然爬不了数据；有的人则认为先要掌握网页的知识，遂开始 HTMLCSS，结果入了前端的坑，瘁……

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。这里给你一条平滑的、零基础快速入门的学习路径。

1.学习 Python 包并实现基本的爬虫过程

2.了解非结构化数据的存储

3.学习scrapy，搭建工程化爬虫

4.学习数据库知识，应对大规模数据存储与提取

5.掌握各种技巧，应对特殊网站的反爬措施

6.分布式爬虫，实现大规模并发采集，提升效率

- ❶ -

学习 Python 包并实现基本的爬虫过程

大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”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。

Python中爬虫相关的包很多：urllib、requests、bs4、scrapy、pyspider 等，建议从requests+Xpath 开始，requests 负责连接网站，返回网页，Xpath 用于解析网页，便于抽取数据。

如果你用过 BeautifulSoup，会发现 Xpath 要省事不少，一层一层检查元素代码的工作，全都省略了。这样下来基本套路都差不多，一般的静态网站根本不在话下，豆瓣、糗事百科、腾讯新闻等基本上都可以上手了。

当然如果你需要爬取异步加载的网站，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，这样，知乎、时光网、猫途鹰这些动态的网站也可以迎刃而解。

- ❷ -

了解非结构化数据的存储

爬回来的数据可以直接用文档形式存在本地，也可以存入数据库中。

开始数据量不大的时候，你可以直接通过 Python 的语法或 pandas 的方法将数据存为csv这样的文件。

当然你可能发现爬回来的数据并不是干净的，可能会有缺失、错误等等，你还需要对数据进行清洗，可以学习 pandas 包的基本用法来做数据的预处理，得到更干净的数据。

- ❸ -

学习 scrapy，搭建工程化的爬虫

掌握前面的技术一般量级的数据和代码基本没有问题了，但是在遇到非常复杂的情况，可能仍然会力不从心，这个时候，强大的 scrapy 框架就非常有用了。

scrapy 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。

- ❹ -

学习数据库基础，应对大规模数据存储

爬回来的数据量小的时候，你可以用文档的形式来存储，一旦数据量大了，这就有点行不通了。所以掌握一种数据库是必须的，学习目前比较主流的 MongoDB 就OK。

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。

- ❺ -

掌握各种技巧，应对特殊网站的反爬措施

当然，爬虫过程中也会经历一些绝望啊，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。

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，常规的比如访问频率控制、使用代理IP池、抓包、验证码的OCR处理等等。

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。

- ❻ -

分布式爬虫，实现大规模并发采集

爬取基本数据已经不是问题了，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让多个爬虫同时工作，需要你掌握 Scrapy + MongoDB + Redis 这三种工具。

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

所以有些东西看起来很吓人，但其实分解开来，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。

你看，这一条学习路径下来，你已然可以成为老司机了，非常的顺畅。所以在一开始的时候，尽量不要系统地去啃一些东西，找一个实际的项目（开始可以从豆瓣、小猪这种简单的入手），直接开始就好。

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，高效的姿势就是从实际的项目中去学习这些零散的知识点，你能保证每次学到的都是最需要的那部分。

当然唯一麻烦的是，在具体的问题中，如何找到具体需要的那部分学习资源、如何筛选和甄别，是很多初学者面临的一个大问题。

最后还是要推荐下小编的Python学习群: 639584010，不管你是小白还是大牛，小编我都欢迎，不定期分享干货，包括小编自己整理的一份2017最新的Python资料和0基础入门教程，欢迎初学和进阶中的小伙伴。

每天晚上20:30我都会开直播给大家分享Python学习知识和路线方法，群里会不定期更新最新的教程和学习方法（进群送2017Python学习教程），大家都是学习Python的，或是转行，或是大学生，还有工作中想提升自己能力的Python党，如果你是正在学习Python的小伙伴可以加入学习。最后祝所有程序员都能够走上人生巅峰，让代码将梦想照进现实，非常适合新手学习，有不懂的问题可以随时问我，工作不忙的时候希望可以给大家解惑。

前面几节给大家分享了Python的类，今天继续更新，也是关于Python类的最后分享。

关于类的知识点里面，有一块是关于多重继承,跟其他主流语言一样，Python也支持多重继承，多重继承虽然有一些好处，但是坑很多，我们今天就来聊一聊Python多重继承里面的坑.

先来看一下语法,Python多重继承的语法很简单:

class subClass(Base1,Base2)

这相当于你创建了一个subClass的类，让它同时继承Base1,Base2,一旦你在subClass的实例上有任何隐式动作，Python会回到类的层级结构中去检查Base1,Base2,而且必须要用固定的次序去检查，为了搞定这一点Python用了一个MRO去搜索

要点:

• 多重继承的初始化顺序

• 菱形多重继承的初始化顺序

• 迷一样的MRO

• 经典类和新式类的MRO区别

1坑1-多重继承内的初始化顺序

先看一个简单的例子,有一个子类subClass,继承3个父类BaseClass，TimesTwo，PlusFive.看看这样的结构内的类的初始化顺序是怎么样的

>>

Init BaseClass

value is :1

Init TimesTwo

value is :2

Init PlusFive

value is :7

7

那么我们把子类里面多重继承的父类的顺序换一下:继承3个父类BaseClass，PlusFive，TimesTwo.

>>

Init BaseClass

value is :1

Init TimesTwo

value is :2

Init PlusFive

value is :7

7

我们发现虽然我们多重继承的顺序是BaseClass,PlusFive,TimesTwo,但是实际运行的结果:却还是是BaseClass,TimesTwo,PlusFive,奇怪为啥会这样呢,我们接着往下看~~

2坑2.菱形多重继承中初始化问题

当一个子类继承2个父类，而2个父类又都继承一个基类，构成了一个菱形.

>>

Init BaseClass

value is :1

Init TimesTwo

value is :2

Init BaseClass

value is :1

Init PlusFive

value is :6

6

正确的结果我们是想1*2+5=7,但是实际是6,为啥呢

因为菱形继承的问题,在调用第二个超类的构造器PlusFive.__init__()的时候, 它会再度去调用BaseClass.__init__()，从而导致self.value重新变成1.

那么用内置函数super()是不是可以解决这个问题

>>

Init BaseClass

value is :1

Init PlusFive

value is :6

Init TimesTwo

value is :12

12

super()确实可以保证菱形顶部的公共基类的__init__()方法只会运行一次，但是运行的结果好像不是我们期望的.我们期望的是1*2+5=7,但是实际运行却是(1+5)*2=12了，奇怪为啥会这样呢

3迷一样的MRO

• 上面两个问题的根源都跟MRO有关,MRO(Method Resolution Order)也叫方法解析顺序，主要用于在多重继承时判断调的属性的路径(来自于哪个类)

• 那么我们现在来看一下上面的例子，到底是怎么个搜素的呢~~

• 我们引入Python内置模块pprint(这个Python的一个打印数据结构的模块)

• 我们调用SubClass的时候，它会调用TimesTwo.__init__(),而TimesTwo.__init__()又会调用PlusFive.__init__(),PlusFive.__init__()再去调BaseClass.__init__()，到达菱形体系的顶部

• 注意关键的地方来了，所有的初始化方法会按照跟那些__init__()相反的顺序来运行.

也就是如下的初始化顺序:

1)BaseClass__init__()会把value设为1

2)PlusFive.__init__()会把value加5,然后value变成6

3)TimesTwo.__init__()会把value乘以2,然后value变成12

4经典类和新式类的MRO区别

• 因为Python的类中有两种：一种经典类，一种新式类(什么你不知道什么叫新式类，看我历史文章:Python的类，复杂吗

• 在经典类中MRO搜索采用简单的从左到右的深度优先顺序，而新式类是广度优先,不信我给你举个例子

#先看经典类

>>

I can show the information of A

return value of B

当用经典类实现的时候，我们发现调用的A类中的show()方法和B类的getValue()方法

#再看新式类

>>

I can show the information of C

return value of B

变成新式类的时候，结果变成了调用C类的show()方法和B类的getValue()方法.

差别的根源就是上面时候的经典类和新式类采用的MRO差异.

结论:

• 不惜一切代价地避免多重继承，它带来的麻烦比能解决的问题都多。如果你非要用，那你得准备好专研类的层次结构，以及花时间去找各种东西的来龙去脉吧

• 只有在代码之间有清楚的关联，可以通过一个单独的共性联系起来的时候使用继承，或者你受现有代码所限非用不可的话，那也用吧

• 或者可以试试组合,组合则是利用模块和别的类中的函数调用实现了相同的目的

---

好了Python多重继承就讲到这里啦,希望能给初学者一些启发,若有什么不懂的，也可以留言跟我探讨交流.

最后说一下，原创真的不易，希望大家能够给点支持,欢迎转发转发转发,留言留言留言,重要的事情说三遍,也是对我的一点鼓励和动力.

下面是我的Python学习交流群，欢迎大家一起进来一起学习交流。