Python爬虫小白入门笔记汇总

白帽黑客麦叔

已于 2024-01-06 15:28:21 修改

阅读量1.2k

点赞数

分类专栏：职业与职场爬虫 Python 文章标签： python 爬虫笔记零基础学python爬虫

于 2023-11-10 23:32:16 首次发布

本文链接：https://blog.csdn.net/tingting11232/article/details/134342805

版权

Python 同时被 3 个专栏收录

353 篇文章 5 订阅

订阅专栏

职业与职场

178 篇文章 2 订阅

订阅专栏

爬虫

103 篇文章 1 订阅

订阅专栏

文章目录

前言
Python入门全套学习资料附带源码：
资料领取
学习方法
总结

前言

这篇是纯干货分享，对python感兴趣的可以认真看起来！

小白想要入门Python爬虫，首先得了解爬虫的基本工作原理和相关的理论基础，爬虫简介部分就不细说了，都可以百度得到。

爬虫工作原理总结来讲就是四部曲：

发送请求-获取页面-解析页面-保存内容

接下来我会对Python爬虫各部分的学习框架进行拆分讲解

第一理论基础：Python编程

不用担心Python编程会很难学，在跟Java、C语言相比，Python算是一门较容易学的编程语言了，语言简洁高效，易上手操作，对新手小白很友好。

学习Python爬虫无非就是先把Python基础知识学好，像Python开发环境使用、基础语法、常量与变量、算数、条件循环语句、数据结构类型、字符串、正则表达式、基本函数、异常处理这些，内容是有一点多，但难度不是很大，0基础新手小白需要花点心思和时间去理解这些概念涵义。

基础之后可以逐步学习Python面向对象的编程、类、多重继承、模块、异常机制、多进程与线程等内容

Python编程重在理清语法逻辑，熟练代码，掌握最核心的语法应用，比如字符串、正则表达式、循环语句等，这些在爬虫中几乎都要用到。

核心知识点可参考下面这张图，具体的知识点讲解已经整理好，

一开始接触基础不必太着急，先大概了解一下Python的基础知识，有些东西一开始不太理解到后面接触的知识范围广了，会突然有豁然开朗的感觉。

Python入门教材的话新手有一本入门学习的书籍就够了，多了也看不完，最后还是躺在桌子上吃灰了，我比较推荐的是《Python编程：入门到实践》

在这里插入图片描述

《Python编程：入门到实践》电子书部分目录

第二爬虫学习路线

爬虫核心技巧

技巧一：请求库

请求库有：requests、selenium、urllib、aiohttp，我个人比较推荐新手小白掌握urllib和requests请求库。

urllib库

是Python内置的HTTP请求库，不需要额外安装即可使用，包含以下4个模块：

request 打开和读取 URL，最基本的HTTP请求模块，可以用来模拟发送请求

error 包含 urllib.request 抛出的异常，如果出现请求错误，我们可以捕获这些异常，然后进行重试或其他操作以保证程序不会意外终止。

parse 用于解析 URL，比如拆分、解析、合并等。

robotparser 用于解析 robots.txt 文件，主要是用来识别网站的robots.txt文件，然后判断哪些网站可以爬，哪些网站不可以爬。

urllib库爬虫抓取百度贴吧示例

需要注意的是urllib不能自动判断重定向，需要自己解析重定向的链接并重新请求。

如果你只是爬取一般的网页，那么Python自带的urllib库足够用了，如果是想要爬取异步加载的动态网站，requests库会方便很多。

requests库

功能强大的爬取网页信息的第三方库，可以进行自动爬取HTML页面及自动网络请求提交的操作。

requests库的主要方法：

Response对象

requests库爬取豆瓣短评示例:

爬虫案例:中国高校排名

爬虫学习其实并不难，特别适合零基础入门，

技巧二：抓包工具分析网络请求

抓取工具主要有chrome firefox fidder appium，重点讲一下fidder，基本可以说目前最为全面和强大的抓包工具就是fiddler了，使用也不算麻烦。

Fiddler也在官网上有提供非常详细的文档和教程，如果使用的时候遇到问题，可以直接查阅官网文档。我们可以利用Fiddler详细的对HTTP请求进行分析，并模拟对应的HTTP请求。

fiddler程序界面

fiddler本质就是一个HTTP代理服务器，功能非常强大， 除了可以清晰的了解每个请求与响应之外，还可以进行断点设置，修改请求数据、拦截响应内容。

技巧三：解析数据库

解析库有非常多可以选择，比如CSS、pyqery、re、xpath等，比较建议掌握Beautiful Soup和Xpath

Beautiful Soup解析库

为第三方库需要安装使用，在命令行用pip安装就可以了：

具体用法：变量名称 = BeautifulSoup（需要解析的数据，"html.parser’）

它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序，能自动转换编码。

BeautifulSoup支持的解析器

1.Python标准库：内置库、执行速度适中、文档容错能力强；

2.lxml HTML解析器：速度快，文档容错能力强（推荐）；

3.lxml XML解析器：速度快，唯一支持xml的解析器；

4.html5lib：最好的容错性、以浏览器方式解析文档，生成HTML5格式的文档。

具体用法：soup=BeautifulSoup(markup,from_encoding=“编码方式”)

Beautiful Soup模块抓取网页信息示例：

备注：1. BeautifulSoup（）内的第一个参数，即需要解析的数据，类型必须为字符串，否则运行时系统会报错。

Xpath解析库

提供了非常简洁明了的路径选择表达式，XPath相对于正则表达式显得更加简洁明了， 对于网页的节点来说，它可以定义id、class或其他属性。而且节点之间还有层次关系，在网页中可以通过XPath来定位一个或多个节点

规则：

Xpath比Beautiful Soup更省事，省略了一层一层检查元素代码的工作， 一般的静态网站压根不是问题。

Xpath爬取58房源信息示例：

技巧四：保存数据

学到这里就比较容易了，主要是对数据的存储和处理，有两种方式：

小规模数据可以使用txt文件、json文件、csv文件等方式来保存文件。

大规模数据就需要使用数据库了像mysql，mongodb、redis等，就比较方便查询管理。

这一块掌握主流的MongoDB 就可以了，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。

以上这些核心技巧Python都有相应的库帮你去做，你只需要知道如何去应用它们，掌握精通每一部分的一到两种方法就可以了。

还想对爬虫了解更多的话继续往下看吧

反爬虫应对

当你能够独自爬取80%以上的网站后，再学点反爬技巧，爬虫之路不会有太大的阻碍。

一般爬虫过程中可能会碰到像奇奇怪怪的验证码、被封IP（例如豆瓣和github，在检测到某一客户端频繁访问后，会直接封锁ip）、userAgent访问限制、动态数据加载、加密数据等这种反爬虫的手段。

简单一点的根据User-Agent过滤，例如知乎，我们只需要设置为和浏览器相同即可。常规的解决办法通常有比如控制访问频率、抓包、反加密字体、验证码OCR处理、使用代理IP池等，简单一点的根据User-Agent过滤，例如知乎，我们只需要设置为和浏览器相同即可。能够掌握常规的反爬技巧，绝大部分的网站爬虫不是问题。

这里需要提示一点的是：不要去挑战某宝的反爬！后果很严重！

如果不满足自己的爬虫效率，觉得爬取速度太慢了，可以去学习爬虫框架scrapy和分布式爬虫。

爬虫框架scrapy：

Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试.

Scrapy框架主要由五大组件组成，分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。

在复杂的情况下，scrapy框架不仅能够便捷地构建request，还有强大的 selector 能够方便地解析 response，这是一个功能十分强大的爬虫框架，可以实现爬虫工程化和模块化。