通過XPath信息，我們就可以用簡單的代碼將其爬取下來了：

爬取的該頁面所有的短評信息

當然如果你需要爬取異步加載的網站，可以學習瀏覽器抓包分析真實請求或者學習Selenium來實現自動化爬取，這樣，知乎、時光網、貓途鷹這些動態的網站也基本沒問題了。

你還需要了解 Python 的基礎知識，比如：

文件讀寫操作：用來讀取參數、保存爬取內容

list(列表)、dict(字典)：用來序列化爬取的數據

條件判斷(if/else)：解決爬蟲中的判斷是否執行

循環和疊代(for ……while)：用來循環爬蟲步驟

三、非結構化數據的存儲

爬回來的數據可以直接用文檔形式存在本地，也可以存入資料庫中。

開始數據量不大的時候，你可以直接通過 Python 的語法或 pandas 的方法將數據存為text、csv這樣的文件。還是延續上面的例子：

用Python的基礎語言實現存儲：

用pandas的語言來存儲：

image

這兩段代碼都可將爬下來的短評信息存儲起來，把代碼貼在爬取代碼後面即可。

存儲的該頁的短評數據

當然你可能發現爬回來的數據並不是乾淨的，可能會有缺失、錯誤等等，你還需要對數據進行清洗，可以學習 pandas 包，掌握以下知識點就好：

缺失值處理：對缺失數據行進行刪除或填充

重複值處理：重複值的判斷與刪除

空格和異常值處理：清楚不必要的空格和極端、異常數據

數據分組：數據劃分、分別執行函數、數據重組

四：掌握各種技巧，應對特殊網站的反爬措施

爬取一個頁面的的數據是沒問題了，但是我們通常是要爬取多個頁面。

這個時候就要看看在翻頁的時候url是如何變化了，還是以短評的頁面為例，我們來看多個頁面的url有什麼不同：

通過前四個頁面，我們就能夠發現規律了，不同的頁面，只是在最後標記了頁面的序號。我們以爬取5個頁面為例，寫一個循環更新頁面地址就好了。

當然，爬蟲過程中也會經歷一些絕望啊，比如被網站封IP、比如各種奇怪的驗證碼、userAgent訪問限制、各種動態加載等等。

遇到這些反爬蟲的手段，當然還需要一些高級的技巧來應對，常規的比如訪問頻率控制、使用代理IP池、抓包、驗證碼的OCR處理等等。

比如我們經常發現有的網站翻頁後url並不變化，這通常就是異步加載。我們用開發者工具取分析網頁加載信息，通常能夠得到意外的收穫。

通過開發者工具分析加載的信息.比如很多時候如果我們發現網頁不能通過代碼訪問，可以嘗試加入userAgent 信息，甚至是瀏覽器的 cookie 信息。

往往網站在高效開發和反爬蟲之間會偏向前者，這也為爬蟲提供了空間，掌握這些應對反爬蟲的技巧，絕大部分的網站已經難不到你了。

五、 Scrapy 與 MongoDB，進階分布式

掌握前面的技術，一般量級的數據和代碼基本沒有問題了，但是在遇到非常複雜的情況，可能仍然會力不從心，這個時候，強大的 scrapy 框架就非常有用了。

scrapy 是一個功能非常強大的爬蟲框架，它不僅能便捷地構建request，還有強大的 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，讓你可以將爬蟲工程化、模塊化。

分布式爬取租房信息

爬取的數據量大了，自然會需要資料庫，MongoDB 可以方便你去存儲大規模的數據。因為這裡要用到的資料庫知識其實非常簡單，主要是數據如何入庫、如何進行提取，在需要的時候再學習就行。

MongoDB 存儲職位信息

分布式這個東西，聽起來非常嚇人，但其實就是利用多線程的原理讓多個爬蟲同時工作，需要你掌握 Scrapy + MongoDB + Redis 這三種工具。

Scrapy 用於做基本的頁面爬取，MongoDB 用於存儲爬取的數據，Redis 則用來存儲要爬取的網頁隊列，也就是任務隊列。

這個時候，你已經可以去寫分布式爬蟲了。

你看，這一條學習路徑下來，你已然可以成為老司機了，非常的順暢。所以在一開始的時候，儘量不要系統地去啃一些東西，找一個實際的項目（開始可以從豆瓣、小豬這種簡單的入手），直接開始就好。

• 因為爬蟲這種技術，既不需要你系統地精通一門語言，也不需要多麼高深的資料庫技術，高效的姿勢就是從實際的項目中去學習這些零散的知識點，你能保證每次學到的都是最需要的那部分。
• 當然唯一麻煩的是，在具體的問題中，如何找到具體需要的那部分學習資源、如何篩選和甄別，是很多初學者面臨的一個大問題。

不過不用擔心，小編準備了一門非常系統的爬蟲課程，除了為你提供一條清晰的學習路徑，這套教程甄選了最實用的學習資源以及龐大的主流爬蟲案例庫。短時間的學習，你就能夠很好地掌握爬蟲這個技能，獲取你想得到的數據。

這門課程有什麼特點？

這門課程為零基礎人士進行了特別優化。我們將從爬蟲基礎開始講起，視頻教程內容十分詳細，涵蓋幾乎所有初學者必備知識點。具體的案例入手，通過實際的操作，學習具體的知識點。為你規劃了一條系統的學習路徑，讓你不再面對零散的知識點。可以幫你實現從零到進階的過程。

...............這套課程一共分為13階段，下面是學習路線大綱：

一段：

01-爬蟲介紹

02-爬蟲軟體的安裝

03-第一個爬蟲

04-Request對象的使用

05-get請求的使用

06-貼吧案例

07-post請求的使用

二段：

08-ajax請求的抓取

09-https請求的使用

10-proxy的使用

11-cookie的使用1

12-cookie的使用2

13-URLError的使用

14-requests的使用

三段：

15-re的使用

16-糗事百科案例.mp4

17-BeautifulSoup的使用.mp4

18-xpath的使用.mp4

19-pyquery的使用.mp4

20-jsonpath的使用.mp4

四段：

21-多線程的使用.mp4

22-tesseract的使用.mp4

23-雲打碼平台的使用.mp4

24-雲打碼登錄.mp4

25-爬取圖文並茂文章方法.mp4

26-selenium的使用.mp4

五段：

27-階段測試需求說明.mp4

28-貓眼測試xpath的寫法.mp4

29-貓眼測試bs4的寫法.mp4

30-貓眼測試re的寫法.mp4

31-貓眼測試pyquery的寫法.mp4

32-ChromeDriver開啟無頭模式.mp4

33-爬蟲複習.mp4

六段：

34-虎牙直播練習.mp4

35-selenium滾動條的使用.mp4

36-圖蟲圖片練習.mp4

37-雙色球練習數據下載.mp4

38-雙色球練習保存資料庫.mp4

39-雙色球練習數據更新.mp4

40-爬蟲新寫法1.mp4

41-爬蟲新寫法2.mp4

七段：

42-爬蟲的基本介紹.mp4

43-爬蟲的基本使用.mp4

44-爬蟲的數據提取.mp4

45-scrapy中pipeline中的使用.mp4

46-scrapy中settings的設置.mp4

47-scrapy中細節問題.mp4

48-scrapy爬取小說.mp4

49-scrapy中crawlspider的使用.mp4

八段：

50-scrapy中ImagePipeline的使用.mp4

51-scrapy中動態UA的使用.mp4

52-scrapy中動態代理的使用.mp4

53-scrapy登錄方式1.mp4

九段：

55-Mongo的使用.mp4

56-Mongo的資料庫實例與集合的操作.mp4

57-Mongo的數據基本操作(CRUD).mp4

58-Mongo的數據查詢.mp4

60-Scrapy中保存到資料庫.mp4

十段：

62-Splash的安裝.mp4

61-Scrapy中調試的使用.mp4

63-Splash如何打開服務.mp4

64-階段測試.mp4

65-scrapy內容補充.mp4

十一段：

66-splash與requests結合.mp4

67-splash與scrapy的結合.mp4

68-selenium與scrapy的結合.mp4

69-某家內容爬取-數據解析.mp4

70-某家內容爬取-數據保存.mp4

十二段：

71-scrapy-redis的介紹.mp4

72-linux的安裝.mp4

73-linux軟體安裝與克隆.mp4

74-scrapy-redis的windows環境安裝.mp4

75-scrapy_redis的寫法1.mp4

76-scrapy_redis的寫法.mp4

77-scrapy_redis的寫法2.mp4

78-從redis中取出數據到Mongo資料庫.mp4

十三段：

0.1-Flask介紹與安裝.mp4

0.2-Flask的路由設置與參數接收.mp4

0.3-Flask的響應.mp4

0.4-Flask與Echarts的結合使用.mp4

番外1-51job需求與頁面分析.mp4

開始學習番外2-51job頁面解析1.mp4

番外3-51job頁面解析2.mp4

番外4-51job保存到資料庫.mp4

最後：

說了這麼多，需要這套學習教程的小夥伴，

只需轉發文章 然後私信小編「資料」即可免費獲取！.......................................

小編整理不易、所以有需要的朋友趕緊來吧、對你們有用 就是對我最大的回饋！