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。比如有人认为学爬虫必须精通 Python，然后哼哧哼哧系统学习 Python 的每个知识点，很久之后发现仍然爬不了数据；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

Python爬虫轻松百万数据

学习 Python 包并完成根本的爬虫进程

大局部爬虫都是按“发送恳求——取得页面——解析页面——抽取并贮存内容”这样的流程来停止，这其实也是模仿了我们运用阅读器获取网页信息的进程。

Python中爬虫相关的包很多：urllib、requests、bs4、scrapy、pyspider 等，建议从requests+Xpath 开端，requests 担任衔接网站，前往网页，Xpath 用于解析网页，便于抽取数据。

假如你用过 BeautifulSoup，会发现 Xpath 要省事不少，一层一层反省元素代码的任务，全都省略了。这样上去根本套路都差不多，普通的静态网站基本不在话下，豆瓣、糗事百科、腾讯旧事等根本上都可以上手了。

当然假如你需求爬取异步加载的网站，可以学习阅读器抓包剖析真实恳求或许学习Selenium来完成自动化，这样，知乎、光阴网、猫途鹰这些静态的网站也可以迎刃而解。

学习 scrapy，搭建工程化的爬虫

掌握后面的技术普通量级的数据和代码根本没有成绩了，但是在遇到十分复杂的状况，能够依然会力所能及，这个时分，弱小的 scrapy 框架就十分有用了。

scrapy 是一个功用十分弱小的爬虫框架，它不只能便捷地构建request，还有弱小的 selector 可以方便地解析 response，但是它最让人惊喜的还是它超高的功能，让你可以将爬虫工程化、模块化。

学会 scrapy，你可以本人去搭建一些爬虫框架，你就根本具有爬虫工程师的思想了。

掌握各种技巧，应对特殊网站的反爬措施

当然，爬虫进程中也会阅历一些绝望啊，比方被网站封IP、比方各种奇异的验证码、userAgent拜访限制、各种静态加载等等。

遇到这些反爬虫的手腕，当然还需求一些初级的技巧来应对，惯例的比方拜访频率控制、运用代理IP池、抓包、验证码的OCR处置等等。

往往网站在高效开发和反爬虫之间会倾向前者，这也爲爬虫提供了空间，掌握这些应对反爬虫的技巧，绝大局部的网站曾经难不到你了。