歡迎光臨
每天分享高質量文章

學好Python爬取京東知乎價值資料

Python爬蟲為什麼受歡迎

如果你仔細觀察,就不難發現,懂爬蟲、學習爬蟲的人越來越多,一方面,互聯網可以獲取的資料越來越多,另一方面,像 Python這樣的編程語言提供越來越多的優秀工具,讓爬蟲變得簡單、容易上手。

利用爬蟲我們可以獲取大量的價值資料,從而獲得感性認識中不能得到的信息,比如:

知乎:爬取優質答案,為你篩選出各話題下最優質的內容。

淘寶、京東:抓取商品、評論及銷量資料,對各種商品及用戶的消費場景進行分析。

安居客、鏈家抓取房產買賣及租售信息,分析房價變化趨勢、做不同區域的房價分析。

拉勾網、智聯:爬取各類職位信息,分析各行業人才需求情況及薪資水平。

雪球網:抓取雪球高回報用戶的行為,對股票市場進行分析和預測。

對於小白來說,爬蟲可能是一件非常複雜、技術門檻很高的事情。比如有人認為學爬蟲必須精通 Python,然後哼哧哼哧系統學習 Python 的每個知識點,很久之後發現仍然爬不了資料;有的人則認為先要掌握網頁的知識,遂開始 HTMLCSS,結果入了前端的坑,瘁……

但掌握正確的方法,在短時間內做到能夠爬取主流網站的資料,其實非常容易實現,但建議你從一開始就要有一個具體的標的。

在標的的驅動下,你的學習才會更加精準和高效。那些所有你認為必須的前置知識,都是可以在完成標的的過程中學到的。這裡給你一條平滑的、零基礎快速入門的學習路徑。

  

1.學習 Python 包並實現基本的爬蟲過程

2.瞭解非結構化資料的儲存

3.學習scrapy,搭建工程化爬蟲

4.學習資料庫知識,應對大規模資料儲存與提取

5.掌握各種技巧,應對特殊網站的反爬措施

6.分佈式爬蟲,實現大規模併發採集,提升效率

01 學習 Python 包並實現基本的爬蟲過程

大部分爬蟲都是按“發送請求——獲得頁面——解析頁面——抽取並儲存內容”這樣的流程來進行,這其實也是模擬了我們使用瀏覽器獲取網頁信息的過程。

Python中爬蟲相關的包很多:urllib、requests、bs4、scrapy、pyspider 等,建議從requests+Xpath 開始,requests 負責連接網站,傳回網頁,Xpath 用於解析網頁,便於抽取資料。

如果你用過 BeautifulSoup,會發現 Xpath 要省事不少,一層一層檢查元素代碼的工作,全都省略了。這樣下來基本套路都差不多,一般的靜態網站根本不在話下,豆瓣、糗事百科、騰訊新聞等基本上都可以上手了

當然如果你需要爬取異步加載的網站,可以學習瀏覽器抓包分析真實請求或者學習Selenium來實現自動化,這樣,知乎、時光網、貓途鷹這些動態的網站也可以迎刃而解

02 瞭解非結構化資料的儲存

爬回來的資料可以直接用文件形式存在本地,也可以存入資料庫中。

開始資料量不大的時候,你可以直接通過 Python 的語法或 pandas 的方法將資料存為csv這樣的檔案

當然你可能發現爬回來的資料並不是乾凈的,可能會有缺失、錯誤等等,你還需要對資料進行清洗,可以學習 pandas 包的基本用法來做資料的預處理,得到更乾凈的資料。

03 學習 scrapy,搭建工程化的爬蟲

掌握前面的技術一般量級的資料和代碼基本沒有問題了,但是在遇到非常複雜的情況,可能仍然會力不從心,這個時候,強大的 scrapy 框架就非常有用了。

scrapy 是一個功能非常強大的爬蟲框架,它不僅能便捷地構建request,還有強大的 selector 能夠方便地解析 response,然而它最讓人驚喜的還是它超高的性能,讓你可以將爬蟲工程化、模塊化。

學會 scrapy,你可以自己去搭建一些爬蟲框架,你就基本具備爬蟲工程師的思維了。

04 學習資料庫基礎,應對大規模資料儲存

爬回來的資料量小的時候,你可以用文件的形式來儲存,一旦資料量大了,這就有點行不通了。所以掌握一種資料庫是必須的,學習目前比較主流的 MongoDB 就OK。

MongoDB 可以方便你去儲存一些非結構化的資料,比如各種評論的文本,圖片的鏈接等等。你也可以利用PyMongo,更方便地在Python中操作MongoDB。

因為這裡要用到的資料庫知識其實非常簡單,主要是資料如何入庫、如何進行提取,在需要的時候再學習就行。

05 掌握各種技巧,應對特殊網站的反爬措施

當然,爬蟲過程中也會經歷一些絕望啊,比如被網站封IP、比如各種奇怪的驗證碼、userAgent訪問限制、各種動態加載等等。

遇到這些反爬蟲的手段,當然還需要一些高級的技巧來應對,常規的比如訪問頻率控制、使用代理IP池、抓包、驗證碼的OCR處理等等

往往網站在高效開發和反爬蟲之間會偏向前者,這也為爬蟲提供了空間,掌握這些應對反爬蟲的技巧,絕大部分的網站已經難不到你了

06 分佈式爬蟲,實現大規模併發採集

爬取基本資料已經不是問題了,你的瓶頸會集中到爬取海量資料的效率。這個時候,相信你會很自然地接觸到一個很厲害的名字:分佈式爬蟲

分佈式這個東西,聽起來很恐怖,但其實就是利用多執行緒的原理讓多個爬蟲同時工作,需要你掌握 Scrapy + MongoDB + Redis 這三種工具

Scrapy 前面我們說過了,用於做基本的頁面爬取,MongoDB 用於儲存爬取的資料,Redis 則用來儲存要爬取的網頁佇列,也就是任務佇列。

所以有些東西看起來很嚇人,但其實分解開來,也不過如此。當你能夠寫分佈式的爬蟲的時候,那麼你可以去嘗試打造一些基本的爬蟲架構了,實現一些更加自動化的資料獲取。

你看,這一條學習路徑下來,你已然可以成為老司機了,非常的順暢。所以在一開始的時候,儘量不要系統地去啃一些東西,找一個實際的專案(開始可以從豆瓣、小豬這種簡單的入手),直接開始就好

因為爬蟲這種技術,既不需要你系統地精通一門語言,也不需要多麼高深的資料庫技術,高效的姿勢就是從實際的專案中去學習這些零散的知識點,你能保證每次學到的都是最需要的那部分。

當然唯一麻煩的是,在具體的問題中,如何找到具體需要的那部分學習資源、如何篩選和甄別,是很多初學者面臨的一個大問題。

來源:Python開發者

精彩活動

福利 · 閱讀 | 免費申請讀大資料新書 第23期

推薦閱讀

2017年資料可視化的七大趨勢! 

全球100款大資料工具彙總(前50款) 

論大資料的十大局限

大資料時代的10個重大變革

大資料七大趨勢 第一個趨勢是物聯網


Q: 你用Python抓取過什麼資料?

歡迎留言與大家分享

請把這篇文章分享給你的朋友

轉載 / 投稿請聯繫:hzzy@hzbook.com

更多精彩文章,請在公眾號後臺點擊“歷史文章”查看

赞(0)

分享創造快樂