python实现简单爬虫，超牛逼！Python爬虫学习的完整路线推荐

不管你是待业还是失业，在这个被互联网围绕的时代里，选择python实现简单爬虫，就多了一项技能，还怕找不到工作？，还怕不好找工作？小编就来告诉你这个专业的优势到底体现在哪里：一个简单的python爬虫,爬取知乎，超牛逼！Python爬虫学习的完整路线推荐??。

1.一个简单的python爬虫,爬取知乎

一个简单的python爬虫,爬取知乎主要实现 爬取一个收藏夹 里 所有问题答案下的 图片文字信息暂未收录，可自行实现，比图片更简单具体代码里有详细注释，请自行阅读项目源码：# -*- coding:utf-8 -*- from spider import from import Pool import sys,urllib,http,os,random,re,time __author__ = 'waiting' ''' 使用了第三方的类库 ，请自行安装 需要目录下的spider.py文件 运行环境：python3.4,windows7 ''' #收藏夹的地址 url = ' #page参数改为代码添加 #本地存放的路径,不存在会自动创建 store_path = 'E:\\zhihu\收藏夹\\会员才知道的世界' class (): def __init__(self,pageStart, pageEnd, url): self._url = url self._pageStart = int(pageStart) self._pageEnd = int(pageEnd)+1 self.downLimit = 0 #低于此赞同的答案不收录 def start(self): for page in range(self._pageStart,self._pageEnd): #收藏夹的页数 url = self._url + '?page='+str(page) content = self.getUrl(url) = content.find_all('div',class_='zm-item') for question in : #收藏夹的每个问题 Qtitle = question.find('h2',class_='zm-item-title') if Qtitle is None: #被和谐了 continue = Qtitle.a.string Qurl = ' #问题题目 Qtitle = re.sub(r'[\\/:*?"<>]','#',Qtitle.a.string) #windows文件/目录名不支持的特殊符号 try: print('-----正在获取问题:'+Qtitle+'-----') #获取到问题的链接和标题，进入抓取 except : print(r'---问题含有特殊字符无法显示---') try: Qcontent = self.getUrl(Qurl) except: print('!!!!获取出错!!!!!') pass = Qcontent.find_all('div',class_='zm-item-answer zm-item-expanded') self._(,Qtitle) #处理问题的答案 time.sleep(5) def _(self,,Qtitle): j = 0 for answer in : j = j + 1 upvoted = int(answer.find('span',class_='count').string.replace('K','000')) #获得此答案赞同数 if upvoted < self.downLimit: continue = answer.find('div',class_='zm-item-answer-author-info') #获取作者信息 author = {'':'','link':''} try: author['name'] = .find('a',class_='author-link').string #获得作者的名字 author[''] = str(.find('span',class_='bio')['title']) #获得作者的简介 author['link'] = .find('a',class_='author-link')['href'] except : author['name'] = '匿名用户'+str(j) except TypeError: #简介为空的情况 pass #匿名用户没有链接 file_name = os.path.join(store_path,Qtitle,'info',author['name']+'_info.txt') if os.path.exists(file_name): #已经抓取过 continue self.saveText(file_name,'{}\r\n{link}'.format(**author)) #保存作者的信息 print('正在获取用户`{name}`的答案'.format(**author)) = answer.find('div',class_='zm-editable-content clearfix') if is None: #被举报的用户没有答案内容 continue imgs = .find_all('img') if len(imgs) == 0: #答案没有上图 pass else: self._(imgs,Qtitle,**author) #收录图片 def _(self,imgs,Qtitle,**author): i = 0 for img in imgs: if 'inline-image' in img['class']: #不抓取知乎的小图 continue i = i + 1 imgUrl = img['src'] extension = os.path.splitext(imgUrl)[1] path_name = os.path.join(store_path,Qtitle,author['name']+'_'+str(i)+extension) try: self.saveImg(imgUrl,path_name) #捕获各种图片异常，流程不中断 except: pass #收录文字 def _(self): pass #命令行下运行，例：zhihu.py 1 5 获取1到5页的数据 if __name__ == '__main__': page, limit, paramsNum= 1, 0, len(sys.argv) if paramsNum>=3: page, pageEnd = sys.argv[1], sys.argv[2] elif paramsNum == 2: page = sys.argv[1] pageEnd = page else: page,pageEnd = 1,1 spider = (page,pageEnd,url) spider.start()很多初学者，对Python的概念都是模糊不清的，Python能做什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深入了解，详情可以点击有道云笔记链接了解：有道云笔记

2.超牛逼！Python爬虫学习的完整路线推荐

数据是决策的原材料，高质量的数据价值不菲，如何挖掘原材料成为互联网时代的先驱，掌握信息的源头，就能比别人更快一步。大数据时代，互联网成为大量信息的载体，机械的复制粘贴不再实用，不仅耗时费力还极易出错，这时爬虫的出现解放了大家的双手，以其高速爬行、定向抓取资源的能力获得了大家的青睐。爬虫变得越来越流行，不仅因为它能够快速爬取海量的数据，更因为有python这样简单易用的语言使得爬虫能够快速上手。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，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。基于python爬虫，我们整理了一个完整的学习框架：筛选和甄别学习哪些知识，在哪里去获取资源是许多初学者共同面临的问题。接下来，我们将学习框架进行拆解，分别对每个部分进行详细介绍和推荐一些相关资源，告诉你学什么、怎么学、在哪里学。爬虫简介爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。这个定义看起来很生硬，我们换一种更好理解的解释：我们作为用户获取网络数据的方式是浏览器提交请求->下载网页代码->解析/渲染成页面；而爬虫的方式是模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中。爬虫与我们的区别是，爬虫程序只提取网页代码中对我们有用的数据，并且爬虫抓取速度快，量级大。随着数据的规模化，爬虫获取数据的高效性能越来越突出，能够做的事情越来越多：市场分析：电商分析、商圈分析、一二级市场分析等市场监控：电商、新闻、房源监控等商机发现：招投标情报发现、客户资料发掘、企业客户发现等进行爬虫学习，首先要懂得是网页，那些我们肉眼可见的光鲜亮丽的网页是由HTML、css、等网页源码所支撑起来的。这些源码被浏览器所识别转换成我们看到的网页，这些源码里面必定存在着很多规律,我们的爬虫就能按照这样的规律来爬取需要的信息。无规矩不成方圆，Robots协议就是爬虫中的规矩，它告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。通常是一个叫作robots.txt的文本文件，放在网站的根目录下。轻量级爬虫“获取数据——解析数据——存储数据”是爬虫的三部曲，大部分爬虫都是按这样的流程来进行，这其实也是模拟了我们使用浏览器获取网页信息的过程。1、获取数据爬虫*步操作就是模拟浏览器向服务器发送请求，基于python，你不需要了解从数据的实现，HTTP、TCP、IP的网络传输结构，一直到服务器响应和应达的原理，因为python提供了功能齐全的类库来帮我们完成这些请求。Python自带的标准库urllib2使用的较多，它是python内置的HTTP请求库，如果你只进行基本的爬虫网页抓取，那么urllib2足够用。Requests的slogen是“Requests is the only Non-GMO HTTP library for Python, safe for ”，相对urllib2，requests使用起来确实简洁很多，并且自带json解析器。如果你需要爬取异步加载的动态网站，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。对于爬虫来说，在能够爬取到数据地前提下当然是越快越好，显然传统地同步代码不能满足我们对速度地需求。（ps：据国外数据统计：正常情况下我们请求同一个页面 100次的话，最少也得花费 30秒，但使用异步请求同一个页面 100次的话，只需要要 3秒左右。）aiohttp是你值得拥有的一个库，aiohttp的异步操作借助于async/await关键字的写法变得更加简洁，架构更加清晰。使用异步请求库进行数据抓取时，会大大提高效率。你可以根据自己的需求选择合适的请求库，但建议先从python自带的urllib开始，当然，你可以在学习时尝试所有的方式，以便更了解这些库的使用。推荐请求库资源:urllib2文档： ： 、JSON、XML等格式。解析库的使用等价于在HTML中查找需要的信息时时使用正则，能够更加快捷地定位到具体的元素获取相应的信息。Css选择器是一种快速定位元素的方法。Pyqurrey使用lxml解析器进行快速在xml和html文档上操作，它提供了和jQuery类似的语法来解析HTML文档，支持CSS选择器，使用非常方便。Beautiful Soup是借助网页的结构和属性等特性来解析网页的工具，能自动转换编码。支持Python标准库中的HTML解析器,还支持一些第三方的解析器。Xpath最初是用来搜寻XML文档的，但是它同样适用于HTML文档的搜索。它提供了超过 100 个内建的函数。这些函数用于字符串值、数值、日期和时间比较、节点和 QName 处理、序列处理、逻辑值等等，并且XQuery和XPointer都构建于XPath基础上。Re正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。个人认为前端基础比较扎实的，用pyquery是最方便的，也不错，re速度比较快，但是写正则比较麻烦。当然了，既然用python，肯定还是自己用着方便*。推荐解析器资源：pyquery 作为关系型数据库的代表，拥有较为成熟的体系，成熟度很高，可以很好地去存储一些数据，但在在海量数据处理的时候效率会显著变慢，已然满足不了某些大数据的处理要求。MongoDB已经流行了很长一段时间，相对于MySQL ，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。Redis是一个不折不扣的内存数据库，Redis 支持的数据结构丰富，包括hash、set、list等。数据全部存在内存，访问速度快，可以存储大量的数据，一般应用于分布式爬虫的数据存储当中。推荐数据库资源：mysql文档 redis文档 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。*Pyspider作为人气飙升的国内大神开发的框架，满足了绝大多数Python爬虫的需求 —— 定向抓取，结构化化解析。它能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储等。其功能强大到更像一个产品而不是一个框架。这是三个最有代表性的爬虫框架，它们都有远超别人的有点，比如Nutch天生的搜索引擎解决方案、Pyspider产品级的WebUI、Scrapy最灵活的定制化爬取。建议先从最接近爬虫本质的框架scary学起，再去接触人性化的Pyspider，为搜索引擎而生的Nutch。推荐爬虫框架资源：Nutch文档 scary文档 pyspider文档 爬取基本数据已经没有问题，还能使用框架来面对一写较为复杂的数据，此时，就算遇到反爬，你也掌握了一些反反爬技巧。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将多台主机组合起来，共同完成一个爬取任务，需要你掌握 Scrapy +Redis+MQ+Celery这些工具。Scrapy 前面我们说过了，用于做基本的页面爬取， Redis 则用来存储要爬取的网页队列，也就是任务队列。scarpy-redis就是用来在scrapy中实现分布式的组件，通过它可以快速实现简单分布式爬虫程序。由于在高并发环境下，由于来不及同步处理，请求往往会发生堵塞，通过使用消息队列MQ，我们可以异步处理请求，从而缓解系统的压力。RabbitMQ本身支持很多的协议：AMQP，XMPP, SMTP,STOMP，使的它变的非常重量级，更适合于企业级的开发。Scrapy-rabbitmq-link是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件。Celery是一个简单、灵活且可靠的，处理大量消息的分布式系统。支持 RabbitMQ、Redis 甚至其他数据库系统作为其消息代理中间件， 在处理异步任务、任务调度、处理定时任务、分布式调度等场景表现良好。所以分布式爬虫只是听起来有些可怕，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。推荐分布式资源：scrapy-redis文档

就拿大数据说话，优势一目了然，从事IT行业，打开IT行业的新大门，找到适合自己的培训机构，进行专业和系统的学习。