爬蟲(chóng)html(零基礎(chǔ)如何學(xué)爬蟲(chóng)技術(shù))

1.零基礎(chǔ)如何學(xué)爬蟲(chóng)技術(shù)

建議查閱相關(guān)資料，熟悉各種語(yǔ)言寫爬蟲(chóng)的優(yōu)缺點(diǎn)，再根據(jù)自身情況，選擇適合的爬蟲(chóng)語(yǔ)言進(jìn)行練習(xí)。

如果僅從“抓數(shù)據(jù)”需求來(lái)說(shuō)，使用網(wǎng)頁(yè)數(shù)據(jù)采集器更為省時(shí)省力。

推薦通用型的八爪魚(yú)采集器：行業(yè)內(nèi)知名度很高的免費(fèi)網(wǎng)頁(yè)采集器，擁有超過(guò)六十萬(wàn)的國(guó)內(nèi)外政府機(jī)構(gòu)和知名企業(yè)用戶。免費(fèi)好用，操作簡(jiǎn)單。編程老手還能使用八爪魚(yú)的高級(jí)功能。雖然自由度不如自己寫程序，但學(xué)習(xí)成本低，能幫助用戶將有限的資源投入到更有意義的事情上去。

先從編程語(yǔ)言開(kāi)始學(xué)，C++,python, html, sql等等

再學(xué)互聯(lián)網(wǎng)基本結(jié)構(gòu)和原理，這些都是基礎(chǔ)知識(shí)。學(xué)的越多，你對(duì)網(wǎng)絡(luò)的掌握程度就越高，各種知識(shí)最后都會(huì)融會(huì)貫通到一起。

2.如何分析網(wǎng)站網(wǎng)頁(yè)爬蟲(chóng)爬取規(guī)則

既然確定了用爬蟲(chóng)來(lái)自動(dòng)整理文章，你得先理解爬蟲(chóng)是什么。爬蟲(chóng)說(shuō)白了就是一個(gè)腳本程序。說(shuō)到腳本，我們平時(shí)遇到一些費(fèi)時(shí)費(fèi)力又容易出錯(cuò)的活兒，都可以把用到的命令寫到腳本里，讓計(jì)算機(jī)自動(dòng)來(lái)執(zhí)行。測(cè)試同學(xué)說(shuō)的自動(dòng)化腳本，運(yùn)維同學(xué)說(shuō)的環(huán)境配置腳本，都是這個(gè)意思。一個(gè)腳本包含了很多命令，一個(gè)接一個(gè)，告訴計(jì)算機(jī)第一步干什么，之后干什么，最后干什么。

在這里，我們的目標(biāo)很明確，就是寫一個(gè)爬蟲(chóng)腳本，讓計(jì)算機(jī)一步一步的把「給產(chǎn)品經(jīng)理講技術(shù)」的所有歷史文章，保存成pdf。

歷史文章哪里去找？正好，微信公眾號(hào)的關(guān)注界面有一個(gè)查看歷史消息的鏈接。

點(diǎn)開(kāi)歷史消息，這個(gè)頁(yè)面每次顯示10篇文章，如果用戶滑到底，就會(huì)再加載10篇出來(lái)，典型的異步加載。我們要找的，就是每篇文章的URL地址。只要找到所有文章的URL，就能下載到每篇文章的內(nèi)容和圖片，然后就可以進(jìn)一步加工處理成pdf了。

為此，我們長(zhǎng)按頁(yè)面選擇在瀏覽器中打開(kāi)，然后把地址欄里的URL復(fù)制出來(lái)，發(fā)送到電腦上，用Chrome打開(kāi)。用Chrome的最大好處，就是它有一個(gè)「開(kāi)發(fā)人員工具」，可以直接查看網(wǎng)頁(yè)的源碼。按下command+option+L，打開(kāi)開(kāi)發(fā)人員工具，就能看到這個(gè)網(wǎng)頁(yè)的源碼了。我們要找的東西，就藏在這些亂七八糟的HTML代碼里。

如何從HTML源碼里找到我們想要的文章鏈接呢？

這要從HTML的結(jié)構(gòu)說(shuō)起。HTML全稱超文本標(biāo)記語(yǔ)言，所謂標(biāo)記，就是說(shuō)是它通過(guò)很多標(biāo)簽來(lái)描述一個(gè)網(wǎng)頁(yè)。你看到很多像以開(kāi)始，以結(jié)束的標(biāo)志，就是標(biāo)簽。這些標(biāo)簽一般成對(duì)出現(xiàn)，標(biāo)簽里面還可以套標(biāo)簽，表示一種層級(jí)關(guān)系。最外面的html標(biāo)簽是最大的，head、body次之，一層一層下來(lái)，最后才是一段文字，一個(gè)鏈接。你可以把它類比成一個(gè)人，這個(gè)人叫html，有head，有body,body上有hand,hand上面有finger。

扯遠(yuǎn)了，一些常用的標(biāo)簽：

1、<head&gt；。一個(gè)網(wǎng)頁(yè)的很多重要信息，都是在這里聲明的。比如說(shuō)標(biāo)題，就是在<head&gt；下的<title&gt；里定義的。一個(gè)網(wǎng)頁(yè)用到的CSS樣式，可以在<head&gt；下的<style&gt；里定義。還有你寫的JavaScript代碼，也可以在<head&gt；下的<script&gt；里定義。

2、<body&gt；。它包含的東西就多了，基本上我們能看到的東西，一段文字，一張圖片，一個(gè)鏈接，都在這里面。比如說(shuō)：

<p&gt；表示一個(gè)段落

<h1&gt；是一段文字的大標(biāo)題

<a&gt；表示一個(gè)鏈接

<img&gt；表示一張圖

<form&gt；是一個(gè)表單

<div&gt；是一個(gè)區(qū)塊

計(jì)算機(jī)是如何理解HTML的標(biāo)簽的呢？其實(shí)很簡(jiǎn)單，它就是一棵樹(shù)。你可以把<html&gt；當(dāng)做樹(shù)根，從樹(shù)根上分出<head&gt；和<body&gt；，各個(gè)分支上又有新的分支，直到不能再分為止。這有點(diǎn)類似我們電腦上存放的文件。假設(shè)你有一本《21天學(xué)習(xí)C++》的電子書，存在D盤、study文件夾下的CS文件夾里。而study文件夾里除了CS文件夾，還有GRE、島國(guó)文化等目錄，代表著另一個(gè)分支體系。這也是一棵樹(shù)。樹(shù)上的每一片葉子，都有一條從根部可以到達(dá)的路徑，可以方便計(jì)算機(jī)去查找。

回到正題，有了這些基礎(chǔ)知識(shí)，我么再來(lái)看微信這個(gè)歷史消息頁(yè)面。從最外層的<html&gt；標(biāo)簽開(kāi)始，一層一層展開(kāi)，中間有<body&gt；、有<div&gt；、最后找到一個(gè)<a&gt；標(biāo)簽，標(biāo)簽里面的hrefs就是每篇文章的URL了。把這個(gè)URL復(fù)制下來(lái)，在新的TAB打開(kāi)，確認(rèn)確實(shí)是文章的地址。

現(xiàn)在我們通過(guò)分析一個(gè)網(wǎng)頁(yè)的結(jié)構(gòu)、標(biāo)簽，找到了我們想要的文章URL，我們就可以寫爬蟲(chóng)去模擬這個(gè)過(guò)程了。爬蟲(chóng)拿到網(wǎng)頁(yè)之后，我們可以用正則表達(dá)式去查找這個(gè)<a&gt；標(biāo)簽，當(dāng)然，也可以用一些更高級(jí)的手段來(lái)找。

3.Python爬蟲(chóng)基本知識(shí)：什么是爬蟲(chóng)

世界上80%的爬蟲(chóng)是基于Python開(kāi)發(fā)的，學(xué)好爬蟲(chóng)技能，可為后續(xù)的大數(shù)據(jù)分析、挖掘、機(jī)器學(xué)習(xí)等提供重要的數(shù)據(jù)源。

什么是爬蟲(chóng)？

網(wǎng)絡(luò)爬蟲(chóng)（又被稱為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò)機(jī)器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁(yè)追逐者），是一種按照一定的規(guī)則，自動(dòng)地抓取萬(wàn)維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動(dòng)索引、模擬程序或者蠕蟲(chóng)。

其實(shí)通俗的講就是通過(guò)程序去獲取web頁(yè)面上自己想要的數(shù)據(jù)，也就是自動(dòng)抓取數(shù)據(jù)

爬蟲(chóng)可以做什么？

你可以用爬蟲(chóng)爬圖片，爬取視頻等等你想要爬取的數(shù)據(jù)，只要你能通過(guò)瀏覽器訪問(wèn)的數(shù)據(jù)都可以通過(guò)爬蟲(chóng)獲取。

4.如何抓取HTML頁(yè)面數(shù)據(jù)

用網(wǎng)絡(luò)爬蟲(chóng)軟件來(lái)抓取，前嗅的ForeSpider數(shù)據(jù)采集軟件可以采集任何網(wǎng)站的公開(kāi)數(shù)據(jù)。

ForeSpider數(shù)據(jù)采集軟件幾乎可以采集互聯(lián)網(wǎng)上所有公開(kāi)的數(shù)據(jù)，通過(guò)可視化的操作流程，從建表、過(guò)濾、采集到入庫(kù)一步到位。支持正則表達(dá)式操作，更有強(qiáng)大的面向?qū)ο蟮哪_本語(yǔ)言系統(tǒng)。

臺(tái)式機(jī)單機(jī)采集能力可達(dá)4000-8000萬(wàn)，日采集能力超過(guò)500萬(wàn)。服務(wù)器單機(jī)集群環(huán)境的采集能力可達(dá)8億-16億，日采集能力超過(guò)4000萬(wàn)。

并行情況下可支撐百億以上規(guī)模數(shù)據(jù)鏈接，堪與百度等搜索引擎系統(tǒng)媲美。l 軟件特點(diǎn)一.通用性：可以抓取互聯(lián)網(wǎng)上幾乎100 %的數(shù)據(jù)1.支持?jǐn)?shù)據(jù)挖掘功能，挖掘全網(wǎng)數(shù)據(jù)。

2.支持用戶登錄。3.支持Cookie技術(shù)。

4.支持驗(yàn)證碼識(shí)別。5.支持HTTPS安全協(xié)議。

6.支持OAuth認(rèn)證。7.支持POST請(qǐng)求。

8.支持搜索欄的關(guān)鍵詞搜索采集。9.支持JS動(dòng)態(tài)生成頁(yè)面采集。

10.支持IP代理采集。11.支持圖片采集。

12.支持本地目錄采集。13.內(nèi)置面向?qū)ο蟮哪_本語(yǔ)言系統(tǒng)，配置腳本可以采集幾乎100%的互聯(lián)網(wǎng)信息。

二.高質(zhì)量數(shù)據(jù)：采集+挖掘+清洗+排重一步到位1.獨(dú)立知識(shí)產(chǎn)權(quán)JS引擎，精準(zhǔn)采集。2.集成數(shù)據(jù)挖掘功能，可以精確挖掘全網(wǎng)關(guān)鍵詞信息。

3.內(nèi)部集成數(shù)據(jù)庫(kù)，數(shù)據(jù)直接采集入庫(kù)，入庫(kù)前自動(dòng)進(jìn)行兩次數(shù)據(jù)排重。4.內(nèi)部創(chuàng)建數(shù)據(jù)表結(jié)構(gòu)，抓取數(shù)據(jù)后直接存入數(shù)據(jù)庫(kù)相應(yīng)字段。

5.根據(jù)dom結(jié)構(gòu)自動(dòng)過(guò)濾無(wú)關(guān)信息。6.通過(guò)模板配置鏈接抽取和數(shù)據(jù)抽取，目標(biāo)網(wǎng)站的所有可見(jiàn)內(nèi)容均可采集，智能過(guò)濾無(wú)關(guān)信息。

7.采集前數(shù)據(jù)可預(yù)覽采集，隨時(shí)調(diào)整模板配置，提升數(shù)據(jù)精度和質(zhì)量。8.字段的數(shù)據(jù)支持多種處理方式。

9.支持正則表達(dá)式，精準(zhǔn)處理數(shù)據(jù)。10.支持腳本配置，精確處理字段的數(shù)據(jù)。

三.高性能：千萬(wàn)級(jí)的采集速度1.C++編寫的爬蟲(chóng)，具備絕佳采集性能。2.支持多線程采集。

3.臺(tái)式機(jī)單機(jī)采集能力可達(dá)4000-8000萬(wàn)，日采集能力超過(guò)500萬(wàn)。4.服務(wù)器單機(jī)集群環(huán)境的采集能力可達(dá)8億-16億，日采集能力超過(guò)4000萬(wàn)。

5.并行情況下可支撐百億以上規(guī)模數(shù)據(jù)鏈接，堪與百度等搜索引擎系統(tǒng)媲美。6.軟件性能穩(wěn)健，穩(wěn)定性好。

四.簡(jiǎn)易高效：節(jié)約70%的配置時(shí)間1.完全可視化的配置界面，操作流程順暢簡(jiǎn)易。2.基本不需要計(jì)算機(jī)基礎(chǔ)，代碼薄弱人員也可快速上手，降低操作門檻，節(jié)省企業(yè)爬蟲(chóng)工程師成本。

3.過(guò)濾采集入庫(kù)一步到位，集成表結(jié)構(gòu)配置、鏈接過(guò)濾、字段取值、采集預(yù)覽、數(shù)據(jù)入庫(kù)。4.數(shù)據(jù)智能排重。

5.內(nèi)置瀏覽器，字段取值直接在瀏覽器上可視化定位。五. 數(shù)據(jù)管理：多次排重1. 內(nèi)置數(shù)據(jù)庫(kù)，數(shù)據(jù)采集完畢直接存儲(chǔ)入庫(kù)。

2. 在軟件內(nèi)部創(chuàng)建數(shù)據(jù)表和數(shù)據(jù)字段，直接關(guān)聯(lián)數(shù)據(jù)庫(kù)。3. 采集數(shù)據(jù)時(shí)配置數(shù)據(jù)模板，網(wǎng)頁(yè)數(shù)據(jù)直接存入對(duì)應(yīng)數(shù)據(jù)表的相應(yīng)字段。

4. 正式采集之前預(yù)覽采集結(jié)果，有問(wèn)題及時(shí)修正配置。5. 數(shù)據(jù)表可導(dǎo)出為csv格式，在Excel工作表中瀏覽。

6. 數(shù)據(jù)可智能排除，二次清洗過(guò)濾。六. 智能：智能模擬用戶和瀏覽器行為1.智能模擬瀏覽器和用戶行為，突破反爬蟲(chóng)限制。

2.自動(dòng)抓取網(wǎng)頁(yè)的各類參數(shù)和下載過(guò)程的各類參數(shù)。3.支持動(dòng)態(tài)IP代理加速，智能過(guò)濾無(wú)效IP代理，提升代理的利用效率和采集質(zhì)量。

4.支持動(dòng)態(tài)調(diào)整數(shù)據(jù)抓取策略，多種策略讓您的數(shù)據(jù)無(wú)需重采，不再擔(dān)心漏采，數(shù)據(jù)采集更智能。5.自動(dòng)定時(shí)采集。

6.設(shè)置采集任務(wù)條數(shù)，自動(dòng)停止采集。7.設(shè)置文件大小閾值，自動(dòng)過(guò)濾超大文件。

8.自由設(shè)置瀏覽器是否加速，自動(dòng)過(guò)濾頁(yè)面的flash等無(wú)關(guān)內(nèi)容。9.智能定位字段取值區(qū)域。

10.可以根據(jù)字符串特征自動(dòng)定位取值區(qū)域。11.智能識(shí)別表格的多值，表格數(shù)據(jù)可以完美存入相應(yīng)字段。

七. 優(yōu)質(zhì)服務(wù)1.數(shù)據(jù)采集完全在本地進(jìn)行，保證數(shù)據(jù)安全性。2.提供大量免費(fèi)的各個(gè)網(wǎng)站配置模板在線下載，用戶可以自由導(dǎo)入導(dǎo)出。

3.免費(fèi)升級(jí)后續(xù)不斷開(kāi)發(fā)的更多功能。4.為用戶提供各類高端定制化服務(wù)，全方位來(lái)滿足用戶的數(shù)據(jù)需求。

5.學(xué)習(xí)Python爬蟲(chóng)和Web應(yīng)該看哪些書籍

看書是基礎(chǔ)，除此之外還有學(xué)習(xí)路線，該怎么學(xué)習(xí)，跟著路線來(lái)學(xué)的話，更加有效果。

第一階段—Python基礎(chǔ)準(zhǔn)備：本階段主要是學(xué)習(xí)Python零基礎(chǔ)入門學(xué)習(xí)視頻教程，html+css、javascript、jquery、python編程基礎(chǔ)、python初探等，讓你輕松入門python語(yǔ)言。

第二階段—Python Web開(kāi)發(fā)： 本階段是主要Python開(kāi)發(fā)基礎(chǔ)知識(shí)的講解，通過(guò)系統(tǒng)學(xué)習(xí)mysql數(shù)據(jù)庫(kù)、django、ajax、Tornado入門、個(gè)人博客系統(tǒng)實(shí)戰(zhàn)等相關(guān)技術(shù)，全面掌握python基礎(chǔ)開(kāi)發(fā)技能技巧。

第三階段—Python擴(kuò)展開(kāi)發(fā)：本階段Python

開(kāi)發(fā)進(jìn)階，主要是Python開(kāi)發(fā)實(shí)戰(zhàn)講解，針對(duì)有一定Python開(kāi)發(fā)基礎(chǔ)學(xué)員，從Tkinter桌面編程、Python開(kāi)發(fā)跨平臺(tái)的記事本、編程實(shí)

戰(zhàn)、python爬蟲(chóng)、論壇項(xiàng)目實(shí)戰(zhàn)等方面深入講解，讓學(xué)員快速精通python開(kāi)發(fā)語(yǔ)言。

第四階段—Python開(kāi)發(fā)選修：本節(jié)階段是Python開(kāi)發(fā)的一個(gè)拓展講解，主要是Linux系統(tǒng)、Flask框架、redis框架、node.js框架、html5+css3等相關(guān)系統(tǒng)和框架及技術(shù)方面的結(jié)合使用學(xué)習(xí)，讓精通python開(kāi)發(fā)的你，技藝更加精湛。