学习Python爬虫的大致步骤如下:
- 首先学会基本的Python语法知识(Python基础语法很重要哦!);
- 学习Python爬虫常用到的几个重要内置库urllib, http【函数库】等,用于下载网页;
- 学习正则表达式re、BeautifulSoup(bs4)、Xpath(lxml)【这些都是函数库哦】等网页解析工具;
- 开始一些简单的网站爬取【可以直接访问的,百度、链家不要直接爬虫淘宝,微信,都限制的】,了解爬取数据过程;
- 了解爬虫的一些反爬机制,header,robot,时间间隔,代理ip,隐含字段【简单的反扒技巧】等;
- 学习一些特殊网站的爬取,解决登录、Cookie、动态网页等问题【打怪升级】;
- 了解爬虫与数据库的结合,如何将爬取数据进行储存【落库--数据分析了--这才是目的】;
- 学习应用Python的多线程、多进程进行爬取,提高爬虫效率【程序优化类似JAVA 的多线程JUC,我就是Java工作者】;
- 学习爬虫的框架,Scrapy、PySpider等【高级函数库了解下】;
- 学习分布式爬虫(数据量庞大的需求)【进行进一步的打怪升级】;