如何利用Python爬虫,高效获取大规模数据

百家 作者:数据分析 2018-04-17 03:39:34


数据是创造和决策的原材料,高质量的数据都价值不菲。而利用爬虫,我们可以获取大量的价值数据,经分析可以发挥巨大的价值,比如:

豆瓣、知乎:爬取优质答案,筛选出各话题下热门内容,探索用户的舆论导向。

淘宝、京东:抓取商品、评论及销量数据,对各种商品及用户的消费场景进行分析。

搜房、链家抓取房产买卖及租售信息,分析房价变化趋势、做不同区域的房价分析。

拉勾、智联:爬取各类职位信息,分析各行业人才需求情况及薪资水平。

雪球网:抓取雪球高回报用户的行为,对股票市场进行分析和预测。


公开的数据源往往量小且时效性差,爬虫则可以获取最为即时且规模庞大的互联网数据,这对于做市场分析、竞品调研、用户分析、商业决策显然是一个非常有效的方式。


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。比如有的人则认为先要掌握网页的知识,遂开始 HTMLCSS,结果入了前端的坑,瘁……


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。这里给你一条平滑的、零基础快速入门的学习路径。


 - ❶ -

学习 Python 包并实现基本的爬虫过程


大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”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。


Python中爬虫相关的包很多:urllib、requests、bs4、scrapy、pyspider 等,建议从requests+Xpath 开始,requests 负责连接网站,返回网页,Xpath 用于解析网页,便于抽取数据。


如果你用过 BeautifulSoup,会发现 Xpath 要省事不少,一层一层检查元素代码的工作,全都省略了。这样下来基本套路都差不多,一般的静态网站根本不在话下,豆瓣、糗事百科、腾讯新闻等基本上都可以上手了


 -

掌握各种技巧,应对特殊网站的反爬措施


当然,爬虫过程中也会经历一些绝望啊,比如被网站封IP、比如各种奇怪的验证码、userAgent访问限制、各种动态加载等等。


遇到这些反爬虫的手段,当然还需要一些高级的技巧来应对,常规的比如访问频率控制、使用代理IP池、抓包、验证码的OCR处理等等


往往网站在高效开发和反爬虫之间会偏向前者,这也为爬虫提供了空间,掌握这些应对反爬虫的技巧,绝大部分的网站已经难不到你了。


 - 

学习 scrapy,搭建工程化的爬虫


掌握前面的技术一般量级的数据和代码基本没有问题了,但是在遇到非常复杂的情况,可能仍然会力不从心,这个时候,强大的 scrapy 框架就非常有用了。


scrapy 是一个功能非常强大的爬虫框架,它不仅能便捷地构建request,还有强大的 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。


- ❹ -

学习数据库基础,应对大规模数据存储


爬回来的数据量小的时候,你可以用文档的形式来存储,一旦数据量大了,这就有点行不通了。所以掌握一种数据库是必须的,学习目前比较主流的 MongoDB 就OK。


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。


 -  -

分布式爬虫,实现大规模并发采集


爬取基本数据已经不是问题了,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让多个爬虫同时工作,需要你掌握 Scrapy + MongoDB + Redis 这三种工具


Scrapy 前面我们说过了,用于做基本的页面爬取,MongoDB 用于存储爬取的数据,Redis 则用来存储要爬取的网页队列,也就是任务队列。


所以有些东西看起来很吓人,但其实分解开来,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。


你看,这一条学习路径下来,你已然可以成为老司机了,非常的顺畅。所以在一开始的时候,尽量不要系统地去啃一些东西,找一个实际的项目(开始可以从豆瓣、小猪这种简单的入手),直接开始就好


我们推出了一套非常系统的Python+爬虫课程,除了为你提供一条清晰的学习路径,我们甄选了最实用的学习资源以及庞大的主流爬虫案例库。短时间的学习,你就能够很好地掌握Python和爬虫,获取你想得到的数据,同时具备数据分析、机器学习的编程基础。



《Python爬虫:入门+进阶》和《Python编程零基础入门》均为系统的实战课程,分别给出了优化的学习路径,让你不仅可以掌握爬虫、数据分析、机器学习等所需的Python基础,同时掌握获取大规模数据的爬虫技巧。


如果你希望在短时间内学会Python和爬虫,少走弯路

扫描下方二维码加入课程


套课限额优惠 ¥439(原价¥798),限前100名



- 高效的学习路径 -



一上来就讲理论、语法、编程语言是非常不合理的,我们会直接从具体的案例入手,通过实际的操作,学习具体的知识点。我们为你规划了一条系统的学习路径,让你不再面对零散的知识点。


《Python爬虫:入门+进阶》大纲


第一章:Python 爬虫入门


1、什么是爬虫

网址构成和翻页机制

网页源码结构及网页请求过程

爬虫的应用及基本原理


2、初识Python爬虫

Python爬虫环境搭建

创建第一个爬虫:爬取百度首页

爬虫三步骤:获取数据、解析数据、保存数据


3、使用Requests爬取豆瓣短评

Requests的安装和基本用法

Requests 爬取豆瓣短评信息

一定要知道的爬虫协议


4、使用Xpath解析豆瓣短评

解析神器Xpath的安装及介绍

Xpath的使用:浏览器复制和手写

实战:用 Xpath 解析豆瓣短评信息


5、使用pandas保存豆瓣短评数据

pandas 的基本用法介绍

pandas文件保存、数据处理

实战:使用pandas保存豆瓣短评数据


6、浏览器抓包及headers设置(案例一:爬取知乎)

爬虫的一般思路:抓取、解析、存储

浏览器抓包获取Ajax加载的数据

设置headers 突破反爬虫限制

实战:爬取知乎用户数据


7、数据入库之MongoDB(案例二:爬取拉勾)

MongoDBRoboMongo的安装和使用

设置等待时间和修改信息头

实战:爬取拉勾职位数据

将数据存储在MongoDB

补充实战:爬取微博移动端数据


8、Selenium爬取动态网页(案例三:爬取淘宝)

动态网页爬取神器Selenium搭建与使用

分析淘宝商品页面动态信息

实战:用Selenium 爬取淘宝网页信息



第二章:Python爬虫之Scrapy框架


1、爬虫工程化及Scrapy框架初窥

htmlcssjs、数据库、http协议、前后台联动

爬虫进阶的工作流程

Scrapy组件:引擎、调度器、下载中间件、项目管道等

常用的爬虫工具:各种数据库、抓包工具等


2、Scrapy安装及基本使用

Scrapy安装

Scrapy的基本方法和属性

开始第一个Scrapy项目


3、Scrapy选择器的用法

常用选择器:cssxpathrepyquery

css的使用方法

xpath的使用方法

re的使用方法

pyquery的使用方法


4、Scrapy的项目管道

Item Pipeline的介绍和作用

Item Pipeline的主要函数

实战举例:将数据写入文件

实战举例:在管道里过滤数据


5、Scrapy的中间件

下载中间件和蜘蛛中间件

下载中间件的三大函数

系统默认提供的中间件


6、Scrapy的Request和Response详解

Request对象基础参数和高级参数

Request对象方法

Response对象参数和方法

Response对象方法的综合利用详解



第三章:Python爬虫进阶操作


1、网络进阶之谷歌浏览器抓包分析

http请求详细分析

网络面板结构

过滤请求的关键字方法

复制、保存和清除网络信息

查看资源发起者和依赖关系


2、数据入库之去重与数据库

数据去重

数据入库MongoDB



第四章:分布式爬虫及实训项目


1、大规模并发采集——分布式爬虫的编写

分布式爬虫介绍

Scrapy分布式爬取原理

Scrapy-Redis的使用

Scrapy分布式部署详解


2、实训项目(一)——58同城二手房监控


3、实训项目(二)——去哪儿网模拟登陆


4、实训项目(三)——京东商品数据抓取


《Python编程零基础入门》大纲


第一章:Python介绍和安装

Python简介;特点以及应用;编程环境的搭建及IDE的使用

实践练习1—安装Anaconda,并且熟悉spyder。


第二章:Python基础知识

1)  Python变量赋值及数据类型

2)  Python数值及方法

3)  Python字符串及方法

4)  Python数据结构:列表、元组的操作

5)  Python数据结构:字典、集合的操作

实践练习2—通过使用Python支持的字典,列表和元组的数据结构,实现:通讯录的操作,创建、添加、查找等内容,通讯录信息包含姓名、电话、性别、爱好等。


第三章:Python语句、关键字以及内存管理

1)  条件语句

2)  循环语句

3)  循环控制语句

4)  关键字介绍

5)  变量的高级--内存管理

实践练习3—编写小程序,对上一节作业的通讯录进行功能增强,实现:查找电话号码主人,喜欢吃苹果的人等。


第四章:Python函数

1)  函数及函数定义

2)  函数的参数/全局变量和局部变量

3)  内建函数及递归

4)  匿名函数

5)  函数式编程:map/reduce/filter/sorted/偏函数

实践练习4—编写一个函数,实现:通讯录的更新,定义添加成员的函数、电话查找、兴趣查找等功能


第五章:Python高级特性及编程规范

1)  列表生成式

2)  迭代器

3)  生成器

4)  装饰器

5)  Python编程规范

实践练习5—小程序:高级功能——判断输入是否合法的装饰器功能的使用。涵盖内容:学习生成器及装饰器的使用,给多个函数添加判断合法性的装饰器。


第六章:模块的使用

1)  模块名称空间和导入

2)  模块的执行

3)  os和sys模块介绍和使用

4)  第三方模块的安装

实践练习6—函数编写,实现:文件查找和拷贝功能。


第七章:面向对象编程

1)  类与面向对象设计OOP

2)  多态、继承和封装

3)  类装饰器


第八章:异常、错误类型及编码

1)  异常和捕捉异常

2)  try-except语句和结构

3)  排查错误方法

4)  编码方式介绍


第九章:文件处理

1)  文件内建方法:打开和读写

2)  文件的存储模块:pickle和marshal

3)  Json文件的使用场景及解析

实践练习7—编写一个脚本,实现:查找读取传递XXX.json文件中的内容,json文件中内容包含:主机IP、名字、所在地等信息。


第十章:正则表达式

1)  特殊的符号和数字

2)  正则表达式与python

3)  Re模块

实践练习8—继续练习6内容,编写一个函数,实现:查找tmp文件中pass字符串。


第十一章:时间与日志

1)  Time模块的使用

2)  Log模块的使用

卡片里面大纲内容可以滑动


- 每课都有学习资料 -


你可能收集了以G计的的学习资源,但保存后从来没打开过?我们已经帮你找到了最有用的那部分,并且用最简单的形式描述出来,帮助你学习,你可以把更多的时间用于练习和实践。


考虑到各种各样的问题,我们在每一节都准备了课后资料,包含四个部分:


1.课程重点笔记,详细阐述重点知识,帮助你理解和后续快速复习;

2.默认你是小白,补充所有基础知识,哪怕是软件的安装与基本操作;

3.课内外案例提供参考代码学习,让你轻松应对主流网站爬虫;

4.超多延伸知识点和更多问题的解决思路,让你有能力去解决实际中遇到的一些特殊问题。


某节部分课后资料


- 超多实战项目,深化编程技巧 -


爬虫课程中提供了目前最常见的网站爬虫案例:豆瓣、百度、知乎、淘宝、京东、微博……每个案例在课程视频中都有详细分析,老师带你完成每一步操作


同时在Python编程课中,除了基本的Python语法,还有其他教程容易忽略的Map/Reduce、错误类型、正则表达式、内存管理等知识。同时还准备了记账本、文本识别、旅行青蛙、贪吃蛇、壁纸下载器等多个实战项目。



- 技能拓展:反爬虫及数据存储、处理 -


懂得基本的爬虫是远远不够的,所以我们会用实际的案例,带你了解一些网站的反爬虫措施,并且用具体的技术绕过限制。比如异步加载、IP限制、headers限制、验证码等等,这些比较常见的反爬虫手段,你都可以很好地规避。


工程化的爬虫、及分布式爬虫技术,让你有获取大规模数据的可能。除了爬虫的内容,你还将了解数据库(Mongodb)、pandas 的基本知识,帮你存储爬取的数据,同时可以对数据进行管理和清洗,你可以获得更干净的数据,以便后续的分析和处理。


爬取拉勾招聘数据并用 MongoDB 存储


除了经验丰富、带你一步步实操的授课老师之外,助教老师也会在学习群里及时解答你遇到的每一个问题。同时,你还可以跟一群未来优秀的工程师,分享经验、代码、数据,探讨爬虫和数据分析技术


【课程信息】


「 课程名称 」

《Python 爬虫:入门+进阶》

《Python编程零基础入门》


「 上课形式 」

录播课程,可随时开始上课,反复观看


「 面向人群 」

零基础的小白,负基础的小白白


「 答疑形式 」

学习群老师随时答疑


「 课程资料 」

重点笔记、操作详解、参考代码、课后拓展


公众号专属优惠,套课限额底价

¥439(原价¥798),限前100名


长按下方二维码,立即去抢



购买后会收到「 DC学院 」发送的短信,用上课码即可在官网学习这两门课


课程咨询、资料获取、免费试看请加入下方群聊

若群满,加Alice微信:datacastle2017



点击下方“阅读原文”也可以加入课程

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接