怎样利用 python 学习爬虫？

一文搞懂Python—>爬虫需要学什么，附送课程、笔记。

关于Python爬虫，我们需要学：

• 1. Python基础语法学习（基础知识）
  首先，你需要熟悉Python的基本语法，包括变量、数据类型、条件语句、循环、函数等。
• 2. 对HTML页面的内容抓取（数据抓取）
  如HTTP协议、URL、请求方法（GET、POST等）和响应状态码（如200，404等）。
• 3. 对HTML页面的数据提取（数据提取）
  爬虫通常需要从HTML中提取信息，因此你需要了解HTML标签、属性和CSS选择器。
• 4. Scrapy框架以及scrapy-redis分布式策略（第三方框架）
  requests：一个用于发送HTTP请求的库，它可以帮助你获取网页的HTML内容
  BeautifulSoup：一个用于解析HTML和XML的库，它可以帮助你在HTML文档中定位和提取信息。
  lxml：一个解析HTML和XML的高性能库，可以作为BeautifulSoup的替代品。
  Scrapy：一个强大的爬虫框架，用于构建和管理复杂的爬虫项目
• 6. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争....
  熟悉常见的反爬虫策略，如User-Agent伪装、IP代理、使用Selenium处理JavaScript等。
• 7.学习数据存储
  学习如何将爬取的数据存储到文件（如CSV、JSON）或数据库（如MySQL、MongoDB）中。

可选择的IDE和编译器

工欲善其事，必先利其器：

1. IDE：PyCharm、Spyder、Visual Studio等
2. 编辑器：Vim、Sublime Text、Atom等

由于爬虫相关的内容很多，要学的知识点也琐碎，所以下面仅仅带大家了解Python爬虫，具体学习需要看完整的课程：

Python 入门教程完整版（全 547 集）https://www.zhihu.com/education/video-course/1483111485588742145

Python 基础学习课程，从搭建环境。判断语句，再到基础的数据类型，之后对函数进行学习掌握，熟悉文件操作，初步构建面向对象的编程思想，最后以飞机大战带领同学进入 Python 的编程殿堂。

Python 进阶之 MySQL 入门教程https://www.zhihu.com/education/video-course/1483114387146166272

课程内容： 1.掌握数据库的分类；2.熟悉 SQL 介绍；3.熟悉 MySQL 介绍；4.掌握数据库基本操作；5.掌握数据的增删改查 CRUD；6.掌握 MySQL 脚本数据备份；7.掌握 Python 操作数据库 CRUD。

Python 深入浅出进阶课程https://www.zhihu.com/education/video-course/1483114387217539072

课程亮点： 1，对于已经学习过 Python 基础学科课程，或是想深入 Python 编程的同学十分适合。 2，生动形象，浅显易懂，清晰明了。 3，针对 Python 编程进一步所需要的知识点详细讲解，构建 Python 语言的完成的编程能力。

Python 爬虫入门：180 分钟轻松获取疫情数据 - https://www.zhihu.com/education/video-course/1519760257778069504

通用搜索引擎（Search Engine）工作原理

通用网络爬虫 从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果。

第一步：抓取网页

搜索引擎网络爬虫的基本工作流程如下：

1. 首先选取一部分的种子URL，将这些URL放入待抓取URL队列；
2. 取出待抓取URL，解析DNS得到主机的IP，并将URL对应的网页下载下来，存储进已下载网页库中，并且将这些URL放进已抓取URL队列。
3. 分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环....

搜索引擎如何获取一个新网站的URL：

• 1. 新网站向搜索引擎主动提交网址：（如百度http://zhanzhang.baidu.com/linksubmit/url）
• 2. 在其他网站上设置新网站外链（尽可能处于搜索引擎爬虫爬取范围）
• 3. 搜索引擎和DNS解析服务商(如DNSPod等）合作，新网站域名将被迅速抓取。

但是搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需要遵从一些命令或文件的内容，如标注为nofollow的链接，或者是Robots协议。

Robots协议（也叫 爬虫协议、机器人协议等），全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，例如：
淘宝网： https://www.taobao.com/robots.txt
腾讯网：  http://www.qq.com/robots.txt

第二步：数据存储

搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行。

第三步：预处理

搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理。

• 提取文字
• 中文分词
• 消除噪音（比如版权声明文字、导航条、广告等……）
• 索引处理
• 链接关系计算
• 特殊文件处理
• ....

除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

但搜索引擎还不能处理图片、视频、Flash 这类非文字内容，也不能执行脚本和程序。

第四步：提供检索服务，网站排名

搜索引擎在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检索相关的信息展示给用户。

同时会根据页面的PageRank值（链接的访问量排名）来进行网站排名，这样Rank值高的网站在搜索结果中会排名较前，当然也可以直接使用 Money 购买搜索引擎网站排名，简单粗暴。

课外阅读：Google搜索引擎的工作原理

但是，这些通用性搜索引擎也存在着一定的局限性：

1. 通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的。
2. 不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。
3. 万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。
4. 通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求。

针对这些情况，聚焦爬虫技术得以广泛使用。

聚焦爬虫

聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。

深入学习网络爬虫，就是聚焦爬虫。