1. 什么是爬蟲？
網(wǎng)絡爬蟲也叫網(wǎng)絡蜘蛛，如果把互聯(lián)網(wǎng)比喻成一個蜘蛛網(wǎng)，那么蜘蛛就是在網(wǎng)上爬來爬去的蜘蛛，爬蟲程序通過請求url地址，根據(jù)響應的內(nèi)容進行解析采集數(shù)據(jù)， 比如：如果響應內(nèi)容是html，分析dom結(jié)構(gòu)，進行dom解析、或者正則匹配，如果響應內(nèi)容是xml/json數(shù)據(jù)，就可以轉(zhuǎn)數(shù)據(jù)對象，然后對數(shù)據(jù)進行解析。
2. 有什么作用？
通過有效的爬蟲手段批量采集數(shù)據(jù)，可以降低人工成本，提高有效數(shù)據(jù)量，給予運營/銷售的數(shù)據(jù)支撐，加快產(chǎn)品發(fā)展。
3. 業(yè)界的情況
目前互聯(lián)網(wǎng)產(chǎn)品競爭激烈，業(yè)界大部分都會使用爬蟲技術對競品產(chǎn)品的數(shù)據(jù)進行挖掘、采集、大數(shù)據(jù)分析，這是必備手段，并且很多公司都設立了爬蟲工程師的崗位
4. 合法性
爬蟲是利用程序進行批量爬取網(wǎng)頁上的公開信息，也就是前端顯示的數(shù)據(jù)信息。因為信息是完全公開的，所以是合法的。其實就像瀏覽器一樣，瀏覽器解析響應內(nèi)容并渲染為頁面，而爬蟲解析響應內(nèi)容采集想要的數(shù)據(jù)進行存儲。
5. 反爬蟲
爬蟲很難完全的制止，道高一尺魔高一丈，這是一場沒有硝煙的戰(zhàn)爭，碼農(nóng)VS碼農(nóng)
反爬蟲一些手段：
合法檢測：請求校驗(useragent，referer，接口加簽名，等)
小黑屋：IP/用戶限制請求頻率，或者直接攔截
投毒：反爬蟲高境界可以不用攔截，攔截是一時的，投毒返回虛假數(shù)據(jù)，可以誤導競品決策
... ...
6. 選擇一門語言
爬蟲可以用各種語言寫, C++, Java都可以, 為什么要Python?
首先用C++搞網(wǎng)絡開發(fā)的例子不多(可能是我見得太少) 然后由于Oracle收購了Sun, Java目前雖然在Android開發(fā)上很重要, 但是如果Google官司進展不順利, 那么很有可能用Go語言替代掉Java來做Android開發(fā). 在這計算機速度高速增長的年代里, 選語言都要看他爹的業(yè)績, 真是稍不注意就落后于時代. 隨著計算機速度的高速發(fā)展, 某種語言開發(fā)的軟件運行的時間復雜度的常數(shù)系數(shù)已經(jīng)不像以前那么重要, 我們可以越來越偏愛為程序員打造的而不是為計算機打造的語言. 比如Ruby這種傳說中的純種而又飄逸的的OOP語言, 或者Python這種稍嚴謹而流行庫又非常多的語言, 都大大弱化了針對計算機運行速度而打造的特性, 強化了為程序員容易思考而打造的特性. 所以我選擇Python
7. 選擇Python版本
有2和3兩個版本, 3比較新, 聽說改動大. 根據(jù)我在知乎上搜集的觀點來看, 我還是傾向于使用”在趨勢中將會越來越火”的版本, 而非”目前已經(jīng)很穩(wěn)定而且很成熟”的版本. 這是個人喜好, 而且預測不一定準確. 但是如果Python3無法像Python2那么火, 那么整個Python語言就不可避免的隨著時間的推移越來越落后, 因此我想其實選哪個的最壞風險都一樣, 但是最好回報卻是Python3的大. 其實兩者區(qū)別也可以說大也可以說不大, 最終都不是什么大問題. 我選擇的是Python 3
8. 爬蟲基本套路
基本流程
目標數(shù)據(jù)
來源地址
結(jié)構(gòu)分析
實現(xiàn)構(gòu)思
操刀編碼
基本手段
破解請求限制
請求頭設置，如：useragant為有效客戶端
控制請求頻率(根據(jù)實際情景)
IP代理
簽名/加密參數(shù)從html/cookie/js分析
破解登錄授權
請求帶上用戶cookie信息
破解驗證碼
簡單的驗證碼可以使用識圖讀驗證碼第三方庫
解析數(shù)據(jù)
HTML Dom解析
正則匹配，通過的正則表達式來匹配想要爬取的數(shù)據(jù)，如：有些數(shù)據(jù)不是在html 標簽里，而是在html的script 標簽的js變量中
使用第三方庫解析html dom，比較喜歡類jquery的庫
數(shù)據(jù)字符串
正則匹配(根據(jù)情景使用)
轉(zhuǎn) JSON/XML 對象進行解析
9. python爬蟲
python寫爬蟲的優(yōu)勢
python語法易學，容易上手
社區(qū)活躍，實現(xiàn)方案多可參考
各種功能包豐富
少量代碼即可完成強大功能
涉及模塊包
請求
urllib
requests
多線程
threading
正則
re
json解析
json
html dom解析
beautiful soup
lxml
xpath
操作瀏覽器
selenium