学习Python爬虫的大致步骤如下:
- 首先学会基本的Python语法知识
- 学习Python爬虫常用到的几个重要内置库urllib, http等,用于下载网页
- 学习正则表达式re、BeautifulSoup(bs4)、Xpath(lxml)等网页解析工具
- 开始一些简单的网站爬取(博主从百度开始的,哈哈),了解爬取数据过程
- 了解爬虫的一些反爬机制,header,robot,时间间隔,代理ip,隐含字段等
- 学习一些特殊网站的爬取,解决登录、Cookie、动态网页等问题
- 了解爬虫与数据库的结合,如何将爬取数据进行储存
- 学习应用Python的多线程、多进程进行爬取,提高爬虫效率
- 学习爬虫的框架,Scrapy、PySpider等
- 学习分布式爬虫(数据量庞大的需求)