大家好哈，最近博主在學(xué)習(xí)Python，學(xué)習(xí)期間也遇到一些問題，獲得了一些經(jīng)驗(yàn)，在此將自己的學(xué)習(xí)系統(tǒng)地整理下來，如果大家有興趣學(xué)習(xí)爬蟲的話，可以將這些文章作為參考，也歡迎大家一共分享學(xué)習(xí)經(jīng)驗(yàn)。

Python版本:2.7，Python 3請另尋其他博文。

首先爬蟲是什么？

網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機(jī)器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動的抓取萬維網(wǎng)信息的程序或者腳本。

根據(jù)我的經(jīng)驗(yàn)，要學(xué)習(xí)Python爬蟲，我們要學(xué)習(xí)的共有以下幾點(diǎn)：

• Python基礎(chǔ)知識
• Python中urllib和urllib2庫的用法
• Python正則表達(dá)式
• Python爬蟲框架Scrapy
• Python爬蟲更高級的功能

1.Python基礎(chǔ)學(xué)習(xí)

首先，我們要用Python寫爬蟲，肯定要了解Python的基礎(chǔ)吧，萬丈高樓平地起，不能忘啦那地基，哈哈，那么我就分享一下自己曾經(jīng)看過的一些Python教程，小伙伴們可以作為參考。

1) 慕課網(wǎng)Python教程

曾經(jīng)有一些基礎(chǔ)的語法是在慕課網(wǎng)上看的，上面附有一些練習(xí)，學(xué)習(xí)完之后可以作為練習(xí)，感覺效果還是蠻不錯(cuò)的，不過稍微遺憾的是內(nèi)容基本上都是最基礎(chǔ)的，入門開始的話，就這個(gè)吧

學(xué)習(xí)網(wǎng)址：慕課網(wǎng)Python教程

2) 廖雪峰Python教程

后來，我發(fā)現(xiàn)了廖老師的Python教程，講的那是非常通俗易懂哪，感覺也是非常不錯(cuò)，大家如果想進(jìn)一步了解Python就看一下這個(gè)吧。

學(xué)習(xí)網(wǎng)址：廖雪峰Python教程

3) 簡明Python教程

還有一個(gè)我看過的，簡明Python教程，感覺講的也不錯(cuò)

學(xué)習(xí)網(wǎng)址：簡明Python教程

2.Python urllib和urllib2 庫的用法

urllib和urllib2庫是學(xué)習(xí)Python爬蟲最基本的庫，利用這個(gè)庫我們可以得到網(wǎng)頁的內(nèi)容，并對內(nèi)容用正則表達(dá)式提取分析，得到我們想要的結(jié)果。這個(gè)在學(xué)習(xí)過程中我會和大家分享的。

3.Python 正則表達(dá)式

Python正則表達(dá)式是一種用來匹配字符串的強(qiáng)有力的武器。它的設(shè)計(jì)思想是用一種描述性的語言來給字符串定義一個(gè)規(guī)則，凡是符合規(guī)則的字符串，我們就認(rèn)為它“匹配”了，否則，該字符串就是不合法的。這個(gè)在后面的博文會分享的。

4.爬蟲框架Scrapy

如果你是一個(gè)Python高手，基本的爬蟲知識都已經(jīng)掌握了，那么就尋覓一下Python框架吧，我選擇的框架是Scrapy框架。這個(gè)框架有什么強(qiáng)大的功能呢？下面是它的官方介紹：

HTML, xml源數(shù)據(jù) 選擇及提取 的內(nèi)置支持
提供了一系列在spider之間共享的可復(fù)用的過濾器(即 Item Loaders)，對智能處理爬取數(shù)據(jù)提供了內(nèi)置支持。
通過 feed導(dǎo)出 提供了多格式(JSON、CSV、XML)，多存儲后端(FTP、S3、本地文件系統(tǒng))的內(nèi)置支持
提供了media pipeline，可以 自動下載 爬取到的數(shù)據(jù)中的圖片(或者其他資源)。
高擴(kuò)展性。您可以通過使用 signals ，設(shè)計(jì)好的API(中間件, extensions, pipelines)來定制實(shí)現(xiàn)您的功能。
內(nèi)置的中間件及擴(kuò)展為下列功能提供了支持:
cookies and session 處理
HTTP 壓縮
HTTP 認(rèn)證
HTTP 緩存
user-agent模擬
robots.txt
爬取深度限制
針對非英語語系中不標(biāo)準(zhǔn)或者錯(cuò)誤的編碼聲明, 提供了自動檢測以及健壯的編碼支持。
支持根據(jù)模板生成爬蟲。在加速爬蟲創(chuàng)建的同時(shí)，保持在大型項(xiàng)目中的代碼更為一致。詳細(xì)內(nèi)容請參閱 genspider 命令。
針對多爬蟲下性能評估、失敗檢測，提供了可擴(kuò)展的 狀態(tài)收集工具 。
提供 交互式shell終端 , 為您測試XPath表達(dá)式，編寫和調(diào)試爬蟲提供了極大的方便
提供 System service, 簡化在生產(chǎn)環(huán)境的部署及運(yùn)行
內(nèi)置 Web service, 使您可以監(jiān)視及控制您的機(jī)器
內(nèi)置 Telnet終端 ，通過在Scrapy進(jìn)程中鉤入Python終端，使您可以查看并且調(diào)試爬蟲
Logging 為您在爬取過程中捕捉錯(cuò)誤提供了方便
支持 Sitemaps 爬取
具有緩存的DNS解析器

官方文檔：http://doc.scrapy.org/en/latest/

等我們掌握了基礎(chǔ)的知識，再用這個(gè) Scrapy 框架吧！

扯了這么多，好像沒多少有用的東西額，那就不扯啦！

下面開始我們正式進(jìn)入爬蟲之旅吧！