爬虫入门到放弃 01：一句话概括什么是爬虫

序章

18 年初，还在实习期的我因为工作需求开始接触 Java 爬虫，从一个网站爬取了 163W 条 poi 数据，这是我人生中写的第一个爬虫，也是唯一的一个 Java 爬虫。后来这些 poi 数据也成了我毕业设计中的一部分。后来开始学习 Python 爬虫以及爬虫框架 Scrapy，尤其是 Scrapy，前前后后研究了一个多月，并利用 Scrapy 构建了千万级数据的 ICA(互联网内容识别)资源库。

写爬虫系列的目的主要是想记录一下自己学习爬虫的经历，以及遇到的一些问题，也希望能够给爬虫初学者带来一些启示。之前给同事普及爬虫的时候，自己动手做了人生中的第一个 PPT，所以爬虫系列文章将围绕着这个 PPT 来开展。

系列结构

如图，将从四个方面来介绍爬虫。

1. 爬虫入门：主要包括爬虫的基本概念、技术栈、爬虫程序的开发等。

2. 反爬技术：主要是讲述常见的反爬虫技术以及应对方法。

3. Scrapy 框架：目前最好的爬虫框架，也是本系列文章的重点内容。

4. 风险规避：讲述如何编写规范的爬虫，如何避免数据风险。

前言

很多人包括我在内，刚开始听到爬虫的时候都会有一种朦朦胧胧、遥不可及的感觉。很多人觉得只有程序员才需要使用爬虫，其实并不是。至少，Python 处理文档和爬虫的能力是面向日常工作的。

举个栗子：有人需要每天从各个网站上粘贴成百上千条数据到 excel 中，如果使用爬虫，一个 requests、pandas 或 xlwt 就搞定了，几十行代码而已。日常上线需求需要根据模板来写三个文档进行上传，前前后后粘贴需要四五分钟，后来我为了偷懒用 Python 写了个程序打包成 exe，点击一下几秒就完成了。所以，Python 让日常工作工作更高效，值得更多的人学习。

本篇文章主要从第一章爬虫入门开始讲起。

爬虫概念

什么是爬虫？

这是当初我学习开发爬虫的时候，脑海里浮现的第一个问题。不论网上怎么介绍爬虫，是 spider、crawler 也好，是 robots 也罢。我的理解就是：模拟人的行为从网页上获取的数据的程序。更具象一些：在 Java 中爬虫是 Jsoup.jar，在 Python 中爬虫是 requests 模块，甚至 Shell 中的 curl 命令也可以看做是爬虫。

爬虫库可以分为两个部分。一是请求部分，主要负责请求数据，例如 Python 的 requests；二是解析部分，负责解析 html 获取数据，例如 Python 的 BS4。

爬虫做了什么工作？

模仿人的行为从网页获取数据。一个人，需要先打开浏览器、输入网址，从网站后台获取网页并加载到浏览器展示，最后才能获取数据。爬虫的请求部分，就相当于浏览器的角色，会根据你输入的 url 从网站后台获取 html，而解析部分就会根据预先设定的规则，从 html 中获取数据。

而开发者的工作，一是装饰请求部分，例如在请求头中添加 User-Agent、Cookie 等，让网站觉得是一个人通过浏览器来访问的，而不是一个程序。二是通过选择器来编写规则，从页面获取数据。

这是浏览器的请求头内容。

技术栈

做爬虫需要什么具备什么样的技术？是不是只有大佬才可以？其实并不是。这里主要分为两个层次要求。

基本要求

编程语言：只需要有 Java 或者 Python 基础即可，有基本的 Html 阅读能力以及 CSS 选择器、Xpath 选择器、正则表达式的使用能力。

数据存储：爬取的数据要只有存储下来才有意义。数据可以保存在文件或数据库中，这就要求开发者有文件读写或数据库操作的能力。对于数据库，掌握基本的表结构设计、增删改查的能力即可。

开发者工具：爬虫开发者使用最多的工具，各种浏览器按下 F12 都会弹出。通常用来拦截请求，定位元素，查看 JS 源文件。

进阶要求

在爬虫的开发中，会遇到各种各样的问题，就需要有独立思考和解决问题的能力。目前，很多网站都采用了异步加载数据或 JS 加密，所以需要具备 Ajax 和 JS 方面的知识。

网络知识。基本的状态码：20x 成功，30x 转发重定向，40x 请求不存在、50x 服务端问题。有时候还需要 TCP 的知识，例如 established、time_waited 等 TCP 连接状态代表着什么。

爬虫开发

基础概念我们已经讲完，怎么来开发个爬虫呢？举个栗子：

如图，是星斗苍凉、月色照亮的动漫斗罗大陆的播放页面。我们以此为例，开发爬虫来获取页面数据。

Java 爬虫

Java 爬虫的开发主要使用 Jsoup。

引入 Jsoup 依赖：

    <dependency>      <groupId>org.jsoup</groupId>      <artifactId>jsoup</artifactId>      <version>1.11.2</version>    </dependency>

程序开发：

import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.select.Elements;import java.io.IOException;
public class JavaCrawler {    public static void main(String[] args) throws IOException {        String url = "https://v.qq.com/detail/m/m441e3rjq9kwpsc.html";        // 发起请求，获取页面        Document document = Jsoup.connect(url).get();        // 解析html，获取数据        Element body = document.body();        Element common = body.getElementsByClass("video_title_cn").get(0);        String name = common.getElementsByAttribute("_stat").text();        String category = common.getElementsByClass("type").text();        Elements type_txt = body.getElementsByClass("type_txt");        String alias = type_txt.get(0).text();        String area = type_txt.get(1).text();        String parts = type_txt.get(2).text();        String date = type_txt.get(3).text();        String update = type_txt.get(4).text();        String tag = body.getElementsByClass("tag").text();        String describe = body.getElementsByClass("_desc_txt_lineHight").text();        System.out.println(name + "\n" + category + "\n" + alias + "\n" + area + "\n" + parts + "\n" + date + "\n" + update + "\n" + tag + "\n" + describe);
    }}

Python 爬虫

对于 Python 爬虫的开发，使用的是 requests 和 bs4。

安装模块：

pip install requests bs4

程序开发：

import requestsfrom bs4 import BeautifulSoup
url = 'https://v.qq.com/detail/m/m441e3rjq9kwpsc.html'# 发起请求，获取页面response = requests.get(url)# 解析html，获取数据soup = BeautifulSoup(response.text, 'html.parser')name = soup.select(".video_title_cn a")[0].stringcategory = soup.select("span.type")[0].stringalias = soup.select("span.type_txt")[0].stringarea = soup.select("span.type_txt")[1].stringparts =soup.select("span.type_txt")[2].stringdate = soup.select("span.type_txt")[3].stringupdate = soup.select("span.type_txt")[4].stringtag = soup.select("a.tag")[0].stringdescribe = soup.select("span._desc_txt_lineHight")[0].stringprint(name, category, alias, parts, date, update, tag, describe, sep='\n')

上面两个程序输出相同的结果：

至此，斗罗大陆的爬虫开发工作就完成了。从代码也能看出来，请求部分也就一行，大部分都是解析部分的，这里使用 css 选择器来完成数据的解析。

我们再来看看请求部分获取的网页内容：

当然，一个完整的爬虫程序除了以上模块，还需要有存储模块，必要的时候还需要代理池模块。其次，对于整个大型网站数据的爬取还需要对网站进行深度/广度遍历来完成，还需要考虑到如果爬虫中断，如何从断点开始继续爬取等方面的设计。这一部分的内容后面会写。

对于 Jsoup 资料、requests、scrapy 视频教程，公众号后台回复 爬虫资料 即可获取。

结语

这一篇文章不对程序的开发做过多的深入探讨，只讲述爬虫的概念以及程序演示。而下一篇文章会根据上面的程序，着重对 Jsoup 和 requests、bs4 模块以及 css 选择器的使用深入探究。期待下一次相遇。

95 后小程序员，写的都是日常工作中的亲身实践，置身于初学者的角度从 0 写到 1，详细且认真。

文章会在公众号 [入门到放弃之路] 首发，期待你的关注。