爬虫系列教程零：怎么学习爬虫

我接触爬虫已经快两年了，但是一直没有写下一个系统的爬虫的笔记，最近在上web搜索的课程，又一次用到了爬虫，所以写下这系列文章。我写这个系列的目的主要是巩固自己的知识，梳理知识的体系，所以思路上的内容比较多，有时间也会补一些代码进行说明或者分享一些我做过的爬虫的内容。

如果是想要入门爬虫，我强烈推荐崔庆才的视频：我当时爬虫入门比较痛苦，因为网上的资料比较多，需要仔细的去搜索各个模块的知识，才能有一个宏观的认识，最后很幸运的看到了崔庆才的爬虫系列，非常系统，也非常细致，而且有视频教程，可以说是我看到的目前为止最适合小白入门的教程了。非常推荐大家去看他的教程。

最后我说一下我目前对爬虫的理解：

1. 爬虫是什么？通过模拟用户的行为，来达到对网站的数据的获取或者在网站上完成某种特定的任务；需要对计算机网络，操作系统有一定的理解，才能写出高性能的爬虫。
2. 我们可以用爬虫来干什么？做搜索引擎；或者爬取一些网站的信息，如淘宝、豆瓣、微博；完成抢票、抢月饼等任务。
3. 爬虫的学习内容有哪些？用于写爬虫的语言有很多，如C++，java，python，可以根据所需要的业务的耗时与性能要求决定写爬虫的语言，本文采用python；虽然语言不同，但是需要的基本技能是相似的：
   • 首先是学习当前语言下的网络连接工具的用法，比如python里面的requests库；
   • 然后是爬虫编写思路的学习，主要是从网页动态和静态入手，这一部分着重能爬下来大部分网站就可以；
     接着需要学习爬虫与反爬的较量，上一步的动态网页就是一种很好的反爬措施，但是现实中还有更多的反爬措施，比如：设置验证码，封禁ip，利用反向代理封禁真实ip，强制用户登录，设置爬虫陷阱，返回内容不规则，检测用户行为规律等；当然用户也有很多反反爬的措施：cookie池，IP池，验证码众包网站，神经网络识别验证码，做好异常处理；这一步的内容就比较丰富，需要用户和网站斗智斗勇，尤其是一些大型的网站，往往在这一步设置了很多的难题，如果学会这一步，会大大扩充可以爬取的网站；这一步着重解决能不能的问题；
   • 不管要解决能爬，还要解决爬的好，学习如何能让爬虫效率提高，充分利用资源，于是并发的分布式的爬取也是我们需要重点掌握的。这一步就要学习分布式，进程、线程、协程这些概念，开始接触框架，做到爬虫中断后自动重启，断点续爬，鲁棒性等要求，学会连接数据库，做到可视化；这个部分就是解决爬的好的问题。
   • 最后要解决爬虫在大规模下的爬取问题，可能需要突破一些地方的性能瓶颈，网络IO,读写IO，对方的服务器的压力等，但是我没有接触过这种情况下的爬虫，就不多说了。
4. 特别特别需要注意的一点是，爬虫可能违反法律，所以要时刻注意当前的行为是否在法律允许的范围之内。

话不多说，马上就开始填坑之旅~