听说你想学 Python 爬虫？我从零教你啊

⛳️ 爬虫相关技术

如果你希望学习爬虫，并且想要学好爬虫，那在学之前，先要了解一下爬虫入门阶段需要准备好哪些知识点，这样才能高效入门，否则门口晃悠的时间就太长了。

以下内容是初学爬虫前 2 周，必须要掌握的知识点，Python 语言知识除外。

🥇 HTTP 通讯协议

只要你使用过浏览器访问网站，那必然知道网址的大概形式，例如 http://www.baidu.com，现在更多的站点都切换为 https 协议，但是不管如何变，协议的基本逻辑是一致的。

HTTP（HyperText Transfer Protocol）是一种在服务器和客户端之间传送数据的协议，我们未来编写的爬虫程序，就是在模拟客户端向着目标服务器发送 HTTP 请求，然后获取服务端返回的数据，并进行处理。

在初学阶段，你需要了解的知识清单如下，学习完毕之后，尝试解释下述名词

• 请求头

• 响应头

• 请求体

• 响应体

• HTTP 动词

• 请求状态码

• URL

• 端口

• 域名

如果以上内容你能描述大概含义，并且能使用浏览器携带的【开发者工具】进行查找，那 HTTP 协议部分就可以暂时告一段落，开始后续的学习了。

本阶段千万不要陷到知识点的细节中去，HTTP 通讯协议相关知识点还是很抽象的。

这里再补充一下网址的组成，我们拿下述测试地址举例：

http://a.googl.com:80/demo/index.html?t=133299232&name=ca

其中各个位置以及其中文含义如下：

• http：通讯协议；

• a.googl.com：域名；

• 80：端口号，默认 80，一般省略；

• /demo：Web 服务器请求指定网页文件的路径

• t=133299232：在 ? 后的是传递的查询参数，= 前面是参数名称，后面是参数值，多个查询参数使用 & 符号连接。

🥇 定位网页数据

在编写爬虫程序的时候，大量的工作重点都会放在定位数据上，因此如何快速定位数据，就成了我们必学的储备技能之一，常见的定位技术有如下 3 种，接下来为你详细说明

CSS 选择器选择器用的好不好，其实看的是你前端基础，尤其是 CSS 相关知识点，所以会建议学习 Python 爬虫之前，先简单了解一些前端知识，它们分为 3 部分，HTML，CSS，JS，这些都与爬虫密切相关，尤其是选择器，更是未来解决问题的一大利器，这里还有一个小建议，如果觉得原生 JS 实在难写，那好好学一下其框架 jQuery，其中的选择器知识点，对爬虫助力很大。

掌握 jQuery 的选择器，你直接就掌握了 Python 爬虫的 CSS 选择器，编程语言之间的关系就是这么神奇。

Xpath 表达式 XPath 表达式是一种 XML 技术的查询语言，原用于查找 XML 中的节点，又因为 XML 和 HTML 结构相似，所以 Python 爬虫解析数据，自然而然的就带上了它，而且语法结构相对独立，相较于 CSS 选择器，其优点是完全可以独立学习。

在可支持扩展的浏览器，安装一个 XPath 表达式工具，就可以开始学习其语法了，非常方便。

正则表达式正则也是一种小型的模板匹配/提取语言，完全可以当成一门独立的语言体系去学习，而且正则和任何语言配合的都比较默契，哪里都有它的身影，如果你未来成为了一个爬虫高手，那正则表达式你写的一定非常棒。

正则表达式可以提取任何复杂格式，而且可以解析各种文本数据

🥇 网页存储

当我们使用爬虫程序采集数据之后，就面临存储的问题了，常见的存储方式有如下几种，你也可以在学习 Python 爬虫之间，就开始储备相关知识点。

CSV 文件这个就是带有特殊格式或者符号的一种文本文件，可以直接用记事本打开，常见的格式是用逗号分隔，用 Excel 软件打开

1,2,34,5,6

JSON 文件在上一篇博客来自 2022 年的 Python 网络爬虫补充知识，HTML+JSON+爬虫场景中，我们学习了 JSON 格式的文件，其实 JSON 本身也是一种可存储数据的格式，而且这种格式的数据非常方便用户解析使用，也可以在各种语言框架中通用，所以很多数据量不大的爬虫，会直接选择 JSON 格式的文件存储数据。

数据库数据存储最常用的自然是数据库，数据库中最常用的是 MySQL，所以相关知识点你可以开始准备学习了建库，建表，插入数据，查询数据这些基本的 SQL 语句要掌握的非常熟悉。

如果精力允许的话，可以学习一些 NOSQL 相关的数据库，例如 redis，对未来编写爬虫也非常有助力。