Question

如何学习Python爬虫

Answer 1

现在之所以有这么多的小伙伴热衷于爬虫技术，无外乎是因为爬虫可以帮我们做很多事情，比如搜索引擎、采集数据、广告过滤等，以Python为例，Python爬虫可以用于数据分析，在数据抓取方面发挥巨大的作用。
但是这并不意味着单纯掌握一门Python语言，就对爬虫技术触类旁通，要学习的知识和规范还有喜很多，包括但不仅限于HTML 知识、HTTP/HTTPS 协议的基本知识、正则表达式、数据库知识，常用抓包工具的使用、爬虫框架的使用等。而且涉及到大规模爬虫，还需要了解分布式的概念、消息队列、常用的数据结构和算法、缓存，甚至还包括机器学习的应用，大规模的系统背后都是靠很多技术来支撑的。
零基础如何学爬虫技术？对于迷茫的初学者来说，爬虫技术起步学习阶段，最重要的就是明确学习路径，找准学习方法，唯有如此，在良好的学习习惯督促下，后期的系统学习才会事半功倍，游刃有余。
用Python写爬虫，首先需要会Python，把基础语法搞懂，知道怎么使用函数、类和常用的数据结构如list、dict中的常用方法就算基本入门。作为入门爬虫来说，需要了解 HTTP协议的基本原理，虽然 HTTP 规范用一本书都写不完，但深入的内容可以放以后慢慢去看，理论与实践相结合后期学习才会越来越轻松。关于爬虫学习的具体步骤，我大概罗列了以下几大部分，大家可以参考：
网络爬虫基础知识:
爬虫的定义
爬虫的作用
Http协议
基本抓包工具(Fiddler)使用
Python模块实现爬虫：
urllib3、requests、lxml、bs4 模块大体作用讲解
使用requests模块 get 方式获取静态页面数据
使用requests模块 post 方式获取静态页面数据
使用requests模块获取 ajax 动态页面数据
使用requests模块模拟登录网站
使用Tesseract进行验证码识别
Scrapy框架与Scrapy-Redis：
Scrapy 爬虫框架大体说明
Scrapy spider 类
Scrapy item 及 pipeline
Scrapy CrawlSpider 类
通过Scrapy-Redis 实现分布式爬虫
借助自动化测试工具和浏览器爬取数据：
Selenium + PhantomJS 说明及简单实例
Selenium + PhantomJS 实现网站登录
Selenium + PhantomJS 实现动态页面数据爬取
爬虫项目实战：
分布式爬虫+ Elasticsearch 打造搜索引擎

Answer 2

在chrome中打开需要抓取的目标网址，按F12在Web Scraper中重新创建一个站点 Create sitemap； 输入站点名（自定义）和网址（输入目标网址）后，点击Create sitemap的确认按钮；
在新建选择器中，点击 Add new selector 新建选择器；
Delay 写500ms，预留一定的页面加载时间；
选择器的配置

Answer 3

个人认为你需要掌握以下内容就可以爬虫了：

1. python的基础语法（http://www.runoob.com/python/python-tutorial.html）

2. 会用网络请求的库（requests,urllib），这样才能取回想要爬取的网页内容(http://blog.csdn.net/lihao21/article/details/51857385)

3. 你还需要学一点点关于HTML的知识，比如html标签（http://www.w3school.com.cn/html/index.asp）

4. 取回网页了，你需要解析HTML的内容，将他们变成python可以操作的对象。解析可以使用正则式或者是用第三方库，比如Beautifulsoup(http://cuiqingcai.com/1319.html)

5. 对于动态网页，比如打开了才能看到的一些内容，你就需要学习Selenium，这是可以模拟浏览网页，并获取里面的内容（http://www.cnblogs.com/haigege/p/5492177.html）。