姓名：米芃
學(xué)號(hào)：16040520018
摘自微信公眾號(hào)《機(jī)器學(xué)習(xí)算法與Python學(xué)習(xí)》? 有刪改
【嵌牛導(dǎo)讀】利用爬蟲(chóng)我們可以獲取大量的價(jià)值數(shù)據(jù)，從而獲得感性認(rèn)識(shí)中不能得到的信息
【嵌牛鼻子】爬蟲(chóng)? 機(jī)器學(xué)習(xí)? Python
【嵌牛提問(wèn)】爬蟲(chóng)在機(jī)器學(xué)習(xí)中扮演什么樣的角色？如何利用Python語(yǔ)言爬蟲(chóng)
【嵌牛正文】
如果你仔細(xì)觀察，就不難發(fā)現(xiàn)，懂爬蟲(chóng)、學(xué)習(xí)爬蟲(chóng)的人越來(lái)越多，一方面，互聯(lián)網(wǎng)可以獲取的數(shù)據(jù)越來(lái)越多，另一方面，像 Python這樣的編程語(yǔ)言提供越來(lái)越多的優(yōu)秀工具，讓爬蟲(chóng)變得簡(jiǎn)單、容易上手。
利用爬蟲(chóng)，我們可以：
1.爬取數(shù)據(jù)，進(jìn)行市場(chǎng)調(diào)研和商業(yè)分析
知乎：爬取優(yōu)質(zhì)答案，為你篩選出各話題下最優(yōu)質(zhì)的內(nèi)容。
淘寶、京東：抓取商品、評(píng)論及銷(xiāo)量數(shù)據(jù)，對(duì)各種商品及用戶的消費(fèi)場(chǎng)景進(jìn)行分析。
安居客、鏈家：抓取房產(chǎn)買(mǎi)賣(mài)及租售信息，分析房?jī)r(jià)變化趨勢(shì)、做不同區(qū)域的房?jī)r(jià)分析。
拉勾網(wǎng)、智聯(lián)：爬取各類職位信息，分析各行業(yè)人才需求情況及薪資水平。
雪球網(wǎng)：抓取雪球高回報(bào)用戶的行為，對(duì)股票進(jìn)行分析和預(yù)測(cè)。
2.作為機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘的原始數(shù)據(jù)
比如你要做一個(gè)推薦系統(tǒng)，那么你可以去爬取更多維度的數(shù)據(jù)，做出更好的模型。
比如你要做圖像識(shí)別，你可以先去爬取大量的圖片作為訓(xùn)練集進(jìn)行訓(xùn)練。
3.爬取優(yōu)質(zhì)的資源：圖片、文本、視頻
爬取知乎釣魚(yú)貼\圖片網(wǎng)站，獲得福利圖片。
爬取微信公眾號(hào)文章，分析新媒體內(nèi)容運(yùn)營(yíng)策略。
這些事情，原本我們也是可以手動(dòng)完成的，但如果是單純地復(fù)制粘貼，非常耗費(fèi)時(shí)間，比如你想獲取100萬(wàn)行的數(shù)據(jù)，大約需忘寢廢食重復(fù)工作兩年。而爬蟲(chóng)可以在一天之內(nèi)幫你完成，而且完全不需要任何干預(yù)。
對(duì)于小白來(lái)說(shuō)，爬蟲(chóng)可能是一件非常復(fù)雜、技術(shù)門(mén)檻很高的事情。比如有的人認(rèn)為學(xué)爬蟲(chóng)必須精通 Python，然后哼哧哼哧系統(tǒng)學(xué)習(xí) Python 的每個(gè)知識(shí)點(diǎn)，很久之后發(fā)現(xiàn)仍然爬不了數(shù)據(jù)；有的人則認(rèn)為先要掌握網(wǎng)頁(yè)的知識(shí)，遂開(kāi)始 HTML\CSS，結(jié)果入了前端的坑，瘁……
但掌握正確的方法，在短時(shí)間內(nèi)做到能夠爬取主流網(wǎng)站的數(shù)據(jù)，其實(shí)非常容易實(shí)現(xiàn)。但建議你從一開(kāi)始就要有一個(gè)具體的目標(biāo)，你要爬取哪個(gè)網(wǎng)站的哪些數(shù)據(jù)，達(dá)到什么量級(jí)。
在目標(biāo)的驅(qū)動(dòng)下，你的學(xué)習(xí)才會(huì)更加精準(zhǔn)和高效。那些所有你認(rèn)為必須的前置知識(shí)，都是可以在完成目標(biāo)的過(guò)程中學(xué)到的。這里給你一條平滑的、零基礎(chǔ)快速入門(mén)的學(xué)習(xí)路徑。
?
1.了解爬蟲(chóng)的基本原理及過(guò)程
2.Requests+Xpath 實(shí)現(xiàn)通用爬蟲(chóng)套路
3.了解非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)
4.學(xué)習(xí)scrapy，搭建工程化爬蟲(chóng)
5.學(xué)習(xí)數(shù)據(jù)庫(kù)知識(shí)，應(yīng)對(duì)大規(guī)模數(shù)據(jù)存儲(chǔ)與提取
6.掌握各種技巧，應(yīng)對(duì)特殊網(wǎng)站的反爬措施
7.分布式爬蟲(chóng)，實(shí)現(xiàn)大規(guī)模并發(fā)采集，提升效率
- ? -
了解爬蟲(chóng)的基本原理及過(guò)程
大部分爬蟲(chóng)都是按“發(fā)送請(qǐng)求——獲得頁(yè)面——解析頁(yè)面——抽取并儲(chǔ)存內(nèi)容”這樣的流程來(lái)進(jìn)行，這其實(shí)也是模擬了我們使用瀏覽器獲取網(wǎng)頁(yè)信息的過(guò)程。
簡(jiǎn)單來(lái)說(shuō)，我們向服務(wù)器發(fā)送請(qǐng)求后，會(huì)得到返回的頁(yè)面，通過(guò)解析頁(yè)面之后，我們可以抽取我們想要的那部分信息，并存儲(chǔ)在指定的文檔或數(shù)據(jù)庫(kù)中。
在這部分你可以簡(jiǎn)單了解 HTTP 協(xié)議及網(wǎng)頁(yè)基礎(chǔ)知識(shí)，比如 POST\GET、HTML、CSS、JS，簡(jiǎn)單了解即可，不需要系統(tǒng)學(xué)習(xí)。
- ? -
學(xué)習(xí) Python 包并實(shí)現(xiàn)基本的爬蟲(chóng)過(guò)程
Python中爬蟲(chóng)相關(guān)的包很多：urllib、requests、bs4、scrapy、pyspider 等，建議你從requests+Xpath 開(kāi)始，requests 負(fù)責(zé)連接網(wǎng)站，返回網(wǎng)頁(yè)，Xpath 用于解析網(wǎng)頁(yè)，便于抽取數(shù)據(jù)。
如果你用過(guò) BeautifulSoup，會(huì)發(fā)現(xiàn) Xpath 要省事不少，一層一層檢查元素代碼的工作，全都省略了。掌握之后，你會(huì)發(fā)現(xiàn)爬蟲(chóng)的基本套路都差不多，一般的靜態(tài)網(wǎng)站根本不在話下，小豬、豆瓣、糗事百科、騰訊新聞等基本上都可以上手了。
當(dāng)然如果你需要爬取異步加載的網(wǎng)站，可以學(xué)習(xí)瀏覽器抓包分析真實(shí)請(qǐng)求或者學(xué)習(xí)Selenium來(lái)實(shí)現(xiàn)自動(dòng)化，這樣，知乎、時(shí)光網(wǎng)、貓途鷹這些動(dòng)態(tài)的網(wǎng)站也基本沒(méi)問(wèn)題了。
這個(gè)過(guò)程中你還需要了解一些Python的基礎(chǔ)知識(shí)：
文件讀寫(xiě)操作：用來(lái)讀取參數(shù)、保存爬下來(lái)的內(nèi)容
list(列表)、dict(字典)：用來(lái)序列化爬取的數(shù)據(jù)
條件判斷(if/else)：解決爬蟲(chóng)中的判斷是否執(zhí)行
循環(huán)和迭代(for ……while)：用來(lái)循環(huán)爬蟲(chóng)步驟
- ? -
了解非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)
爬回來(lái)的數(shù)據(jù)可以直接用文檔形式存在本地，也可以存入數(shù)據(jù)庫(kù)中。
開(kāi)始數(shù)據(jù)量不大的時(shí)候，你可以直接通過(guò) Python 的語(yǔ)法或 pandas 的方法將數(shù)據(jù)存為csv這樣的文件。
當(dāng)然你可能發(fā)現(xiàn)爬回來(lái)的數(shù)據(jù)并不是干凈的，可能會(huì)有缺失、錯(cuò)誤等等，你還需要對(duì)數(shù)據(jù)進(jìn)行清洗，可以學(xué)習(xí) pandas 包的基本用法來(lái)做數(shù)據(jù)的預(yù)處理，得到更干凈的數(shù)據(jù)。
- ? -
學(xué)習(xí) scrapy，搭建工程化的爬蟲(chóng)
掌握前面的技術(shù)一般量級(jí)的數(shù)據(jù)和代碼基本沒(méi)有問(wèn)題了，但是在遇到非常復(fù)雜的情況，可能仍然會(huì)力不從心，這個(gè)時(shí)候，強(qiáng)大的 scrapy 框架就非常有用了。
scrapy 是一個(gè)功能非常強(qiáng)大的爬蟲(chóng)框架，它不僅能便捷地構(gòu)建request，還有強(qiáng)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(chóng)工程化、模塊化。
學(xué)會(huì) scrapy，你可以自己去搭建一些爬蟲(chóng)框架，你就基本具備爬蟲(chóng)工程師的思維了。
- ? -
學(xué)習(xí)數(shù)據(jù)庫(kù)基礎(chǔ)，應(yīng)對(duì)大規(guī)模數(shù)據(jù)存儲(chǔ)
爬回來(lái)的數(shù)據(jù)量小的時(shí)候，你可以用文檔的形式來(lái)存儲(chǔ)，一旦數(shù)據(jù)量大了，這就有點(diǎn)行不通了。所以掌握一種數(shù)據(jù)庫(kù)是必須的，學(xué)習(xí)目前比較主流的 MongoDB 就OK。
MongoDB 可以方便你去存儲(chǔ)一些非結(jié)構(gòu)化的數(shù)據(jù)，比如各種評(píng)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?yàn)檫@里要用到的數(shù)據(jù)庫(kù)知識(shí)其實(shí)非常簡(jiǎn)單，主要是數(shù)據(jù)如何入庫(kù)、如何進(jìn)行提取，在需要的時(shí)候再學(xué)習(xí)就行。
- ? -
掌握各種技巧，應(yīng)對(duì)特殊網(wǎng)站的反爬措施
當(dāng)然，爬蟲(chóng)過(guò)程中也會(huì)經(jīng)歷一些絕望啊，比如被網(wǎng)站封IP、比如各種奇怪的驗(yàn)證碼、userAgent訪問(wèn)限制、各種動(dòng)態(tài)加載等等。
遇到這些反爬蟲(chóng)的手段，當(dāng)然還需要一些高級(jí)的技巧來(lái)應(yīng)對(duì)，常規(guī)的比如訪問(wèn)頻率控制、使用代理IP池、抓包、驗(yàn)證碼的OCR處理等等。
往往網(wǎng)站在高效開(kāi)發(fā)和反爬蟲(chóng)之間會(huì)偏向前者，這也為爬蟲(chóng)提供了空間，掌握這些應(yīng)對(duì)反爬蟲(chóng)的技巧，絕大部分的網(wǎng)站已經(jīng)難不到你了。
- ? -
分布式爬蟲(chóng)，實(shí)現(xiàn)大規(guī)模并發(fā)采集
爬取基本數(shù)據(jù)已經(jīng)不是問(wèn)題了，你的瓶頸會(huì)集中到爬取海量數(shù)據(jù)的效率。這個(gè)時(shí)候，相信你會(huì)很自然地接觸到一個(gè)很厲害的名字：分布式爬蟲(chóng)。
分布式這個(gè)東西，聽(tīng)起來(lái)很恐怖，但其實(shí)就是利用多線程的原理讓多個(gè)爬蟲(chóng)同時(shí)工作，需要你掌握 Scrapy + MongoDB + Redis 這三種工具。
Scrapy 前面我們說(shuō)過(guò)了，用于做基本的頁(yè)面爬取，MongoDB 用于存儲(chǔ)爬取的數(shù)據(jù)，Redis 則用來(lái)存儲(chǔ)要爬取的網(wǎng)頁(yè)隊(duì)列，也就是任務(wù)隊(duì)列。
所以有些東西看起來(lái)很?chē)樔耍鋵?shí)分解開(kāi)來(lái)，也不過(guò)如此。當(dāng)你能夠?qū)懛植际降呐老x(chóng)的時(shí)候，那么你可以去嘗試打造一些基本的爬蟲(chóng)架構(gòu)了，實(shí)現(xiàn)一些更加自動(dòng)化的數(shù)據(jù)獲取。
?
你看，這一條學(xué)習(xí)路徑下來(lái)，你已然可以成為老司機(jī)了，非常的順暢。所以在一開(kāi)始的時(shí)候，盡量不要系統(tǒng)地去啃一些東西，找一個(gè)實(shí)際的項(xiàng)目（開(kāi)始可以從豆瓣、小豬這種簡(jiǎn)單的入手），直接開(kāi)始就好。
因?yàn)榕老x(chóng)這種技術(shù)，既不需要你系統(tǒng)地精通一門(mén)語(yǔ)言，也不需要多么高深的數(shù)據(jù)庫(kù)技術(shù)，高效的姿勢(shì)就是從實(shí)際的項(xiàng)目中去學(xué)習(xí)這些零散的知識(shí)點(diǎn)，你能保證每次學(xué)到的都是最需要的那部分。
當(dāng)然唯一麻煩的是，在具體的問(wèn)題中，如何找到具體需要的那部分學(xué)習(xí)資源、如何篩選和甄別，是很多初學(xué)者面臨的一個(gè)大問(wèn)題。
