1
大三那年，我因迷恋上了岛国某小姐姐，曾一度茶饭不思。那会儿我还没有女朋友，连做梦想的都是她。我想再也找不到颜值和演技都双双在线的小姐姐了。
我到处搜索她的图片和海报，为的是让手机壁纸能 365 天，天天不重样。不要笑我，谁还没年少过。因为找高清图片资源真的很耗费精力，那段时间我经常顶着黑眼圈去上课。
咦？说到这，你是不是误会了？不好意思我说的是这位小姐姐，我的女神新垣结衣。是给我很多正能量的人呢！
后来去上公共课，我遇到了我的高中同学。他走过来煞有介事地问道：“看你最近无精打采的，甚至还有些消瘦。兄弟，你是不是吸毒了？”我瞪大眼睛说：“去.......去你的！谁吸毒了。”
他窃笑：“那是被微积分折磨的？”于是，我告诉了他我的神秘计划。他听后除了嘲笑我笨，还问我为啥不找他帮忙，他说他可以分分钟搞定这件事。我半信半疑，心想：“能不能别吹了。”
于是我第一次听到这个词——爬虫。
2
说来好笑，第一次听这个名字以为是昆虫的那个爬虫，没想到却是一种“自动化浏览网络”的程序。我可真是孤陋寡闻啊！听说互联网上有百分之五十以上的流量来自于它。而且有些网页的点击率并非来源于人类，而是源于爬虫。
曾经有人说：“你不知道屏幕背后坐着的是一个人还是一只喵。”可能现在要说：“你永远不知道互联网上的那只脚印是人留下的还是一只虫。”
现在大家对爬虫这个词早就已经不陌生了。爬虫技术在生活中的应用也越来越广泛了。在尊重规范的前提下，你可以爬取任何你感兴趣的数据，然后将它们汇总进行分析，最终让数据为你所用。
比如，你可以爬下某乎 12 万用户的头像，然后把长得像的头像放一起，收集知友们的点击，这样就能预测出大家最喜欢的人长什么样子了。大概长这个样子。
然后根据点击训练出一个带逛机器人，还可以自动识别美女：
（爬虫项目创建者知乎@grapeot）
是不是很赞？一下子爬到这么多美女，感觉离我找到对象不远了呢。
使用 Scrapy，还可以爬取豆瓣高评分电影，这样可以有效过滤烂片，提高观影体验。
哎呀呀！好想给豆瓣友邻小姐姐的每条广播都点个赞。能不能追到小姐姐就靠爬虫了。有时候公司需要我抓取用户的信息分析他们的喜好，这样能够为用户推荐他们需要的产品。就在最近，我用我不多的积蓄买了点理财产品，我写了一个爬虫来监控理财产品的走势，决定何时买入还是卖出。是不是觉得给我一个爬虫，我能翘起整个世界呢！当然还是要提醒大家，要合理使用爬来的数据，违背规则的事情我们还是要坚决杜绝的。
3
“美味的汤，绿色的浓汤，
在热气腾腾的盖碗里装！
谁不愿意尝一尝，这样的好汤？
晚餐用的汤，美味的汤！”
这是《爱丽丝梦游仙境》里的一首诗歌，同样也是 BeautifulSoup 库名字的来源。这美味的汤，就像仙境中的魔法一样，可以化平淡为神奇。喝过这碗汤，也算入门爬虫了。
但是要真正入门爬虫，还要做很多知识上的准备。除了要熟悉 Python 以外，HTTP 的基本原理、JavaScript 的相关内容都要了解。为了应对之后会遇到的验证码，深度学习和一些密码学的相关原理也是很必要的。
接下来你要面对的是 Urllib 了，要了解这个库的基本以及高级使用方法。URLError 的异常处理、Cookie 的使用以及正则表达式，都是这个入门初期需要掌握的内容。
在你爬取数据之前，还要储备几个开发利器。Beautiful Soup、Requests 库的用法。还有 Selenium、PhantomJS 以及 PyQuery 的用法。oh 对了，差点忘了 Xpath 语法与 lxmlx 库的用法同样需要掌握。
感觉差不多了，我们可以开始实践了。等等！顺便带上这个爬虫框架吧！有备无患。它就是 Scrapy。
Scrapy 可以说是网络爬虫开发中一个最好的框架了。写网络爬虫的一个挑战是经常需要重复同样的任务：找出网页中的所有链接，评估内链与外链的差异，再跳转到新的网页。虽然掌握这些基本模式很有用，也便于从零开始创建爬虫，但是 Scrapy 可以帮你搞定里面的诸多细节。
当然，Scrapy 并不能揣测我们的心思。所以，我们还是需要定义网页模板，告诉它开始抓取的位置，从而找到要找的网页定义 URL 模式。但是在这些场景中，它都提供了一个整洁的框架来帮你组织代码。
呐！做好这些准备工作后，我们差不多可以开始实战了。你可以先从爬取女神的图片开始自己的爬虫旅程。或者爬爬百度贴吧里有趣的帖子。实在不行还可以用 Selenium 抓取阿里旺旺的昵称。反正好多有趣又好玩的事情等着你来做呢。
4
大数据时代，很多公司通过使用网络爬虫来采集公开信息。这样也面临一个是否合法的问题。其实我们身边的网络已经爬满了各种网络爬虫。他们不都是善意的，所以，作为一个爬虫工程师也要清楚哪些可以爬，哪些不可以爬。
2010 年，软件工程师 Pete Warden 构建了一个网络爬虫来从 Facebook 上收集数据。他一共收集了大约两亿名 Facebook 用户的用户名、位置、好友和兴趣爱好等信息。当然，Facebook 发现了这一行为，并给他发了一封勒令停止通知函，他照做了。有人问他为什么要依从 Facebook 的要求，他说：“大数据虽然很便宜，但律师费可不便宜。”
而在我国，就发生过数起因为不合规操作，导致巨额赔偿的案例。2014年，百度诉讼 360 违反 Robots 协议，被判罚款 70 万元。2016 年，大众点评起诉百度，在未经允许的情况下，百度在百度地图、百度知道中大量抄袭、复制大众点评网点评信息，直接替代了大众点评网向用户提供内容，并被判 300 万元。
所以，在使用爬虫的时候一定要遵守这些规范，严格遵守 Robots 协议。如果人家在协议中声明了不准爬取网页信息，比如淘宝网，那么就一定不要违反反扒意愿。也不要因为爬虫的使用，干扰了被访问网站的正常使用。更不要抓取受到法律保护的特定类型的信息。在爬取信息的时候，应当审查信息的内容，如果涉及到个人隐私或者商议机密，一定要停止并且删除。
嘻嘻！你是不是觉得奇怪，怎么一个连女神图片都不会爬的人会知道这些。其实正因为我收集女神的照片，才误打误撞地入了爬虫的坑。现在已经成长为一名爬虫工程师了。如果按照我以前的专业，现在可能在某商场修......修手机吧。所以，我说新垣结衣是给我很多正能量的人呢！如果你也想入门爬虫，做更多有意义的事情，那不如从这两本书开始旅程吧！
☟
从数据爬取到数据清洗全流程的系统实践指南
扫一扫，京东购
《Python网络爬虫权威指南（第2版）》
作者：瑞安·米切尔
译者：神烦小宝
本书采用强大简洁的 Python 语言，介绍了网页抓取。第一部分重点介绍网页抓取的基本原理：如何用 Python 从网络服务器请求信息，如何对服务器的响应进行基本处理，以及如何以自动化手段与网站进行交互。第二部分介绍如何用网络爬虫测试网站，自动化处理，以及如何通过更多的方式接入网络。
最受欢迎的网络爬虫书
扫一扫，京东购
《Python 3网络爬虫开发实战》
作者：崔庆才
本书介绍了如何利用 Python 3 开发网络爬虫，书中首先详细介绍了环境配置过程和爬虫基础知识，然后讨论了 urllib、requests 等请求库和 Beautiful Soup、XPath、pyquery 等解析库以及文本和各类数据库的存储方法，接着通过多个案例介绍了分析 Ajax 进行数据爬取，Selenium 和 Splash 进行动态网站爬取的过程，接着介绍了爬虫的一些技巧，如使用代理爬取和维护动态代理池的方法，ADSL 拨号代理的使用，图形、极验、点触、宫格等各类验证码的破解方法，模拟登录网站爬取的方法及 Cookies 池的维护。
更多爬虫相关内容，可以关注作者博客：https://cuiqingcai.com/
文末畅聊正在使用爬虫的小伙伴快来说说，你都用爬虫做过哪些有意思的事情。也可以安利一些好用的爬虫小技巧给大家。没接触过爬虫的来说说，如果你学了爬虫，准备用来做点啥？活动截至2019.5.27。精选留言选出5位获得赠书。
题图来源：Freepik.com
推荐阅读：
5
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
