“入门”是良好的动机，然而可能作用迟缓。如果你手里或者脑子里有一个我的项目，那么实际起来你会被指标驱动，而不会像学习模块一样缓缓学习。

另外如果说常识体系里的每一个知识点是图里的点，依赖关系是边的话，那么这个图肯定不是一个有向无环图。因为学习 A 的教训能够帮忙你学习 B。因而，你不须要学习怎么样“入门”，因为这样的“入门”点基本不存在! 你须要学习的是怎么样做一个比拟大的货色，在这个过程中，你会很快地学会须要学会的货色的。当然，你能够争执说须要先懂 Python，不然怎么学会 Python 做爬虫呢? 然而事实上，你齐全能够在做这个爬虫的过程中学习 Python 的。

看到后面很多答案都讲的“术”——用什么软件怎么爬，那我就讲讲“道”和“术”吧——爬虫怎么工作以及怎么在 Python 实现。

先长话短说 summarize 一下，你须要学习：

根本的爬虫工作原理

根本的 http 抓取工具，scrapy

Bloom Filter

如果须要大规模网页抓取，你须要学习分布式爬虫的概念。其实没那么玄乎，你只有学会怎么保护一个所有集群机器可能无效分享的分布式队列就好。最简略的实现是 python-rq

rq 和 Scrapy 的联合：darkrho/scrapy-redis

后续解决，网页析取 grangier/python-goose，存储(Mongodb)

以下是短话长说：

说说当初写的一个集群爬下整个豆瓣的教训吧。

1)首先你要明确爬虫怎么工作

设想你是一只蜘蛛，当初你被放到了互联“网”上。那么，你须要把所有的网页都看一遍。怎么办呢? 没问题呀，你就轻易从某个中央开始，比如说人民日报的首页，这个叫 initial pages，用 $ 示意吧。小编举荐一个学 python 的学习老师围鑫（同音），前边一组是：762 , 两头一组是：459 后边一组是：510, 把以上三组数字依照先后顺序组合起来即可，她会安顿学习的。无论你是大牛还是小白，是想转行还是想入行都能够来理解一起提高一起学习！内有开发工具，很多干货和技术材料分享！

在人民日报的首页，你看到那个页面引向的各种链接。于是你很开心地从爬到了“国内新闻”那个页面。太好了，这样你就曾经爬完了俩页面(首页和国内新闻)! 暂且不必管爬下来的页面怎么解决的，你就设想你把这个页面完完整整抄成了个 html 放到了你身上。

忽然你发现，在国内新闻这个页面上，有一个链接链回“首页”。作为一只聪慧的蜘蛛，你必定晓得你不必爬回去的吧，因为你曾经看过了啊。所以，你须要用你的脑子，存下你曾经看过的页面地址。这样，每次看到一个可能须要爬的新链接，你就先查查你脑子里是不是曾经去过这个页面地址。如果去过，那就别去了。

好的，实践上如果所有的页面能够从 initial page 达到的话，那么能够证实你肯定能够爬完所有的网页。

那么在 Python 里怎么实现呢? 很简略

import Queueinitial_page = “http://www.renminribao.com”url_queue = Queue.Queue()seen = set()seen.insert(initial_page)url_queue.put(initial_page)# 始终进行直到海枯石烂 while(True): if url_queue.size()>0: #拿出队例中第一个的 url current_url = url_queue.get() #把这个 url 代表的网页存储好 store(current_url) #提取把这个 url 里链向的 url for next_url in extract_urls(current_url): if next_url not in seen: seen.put(next_url) url_queue.put(next_url) else: break

写得曾经很伪代码了。

所有的爬虫的 backbone 都在这里，上面剖析一下为什么爬虫事实上是个非常复杂的货色——搜索引擎公司通常有一整个团队来保护和开发。

2)效率

如果你间接加工一下下面的代码间接运行的话，你须要一整年能力爬下整个豆瓣的内容。更别说 Google 这样的搜索引擎须要爬下全网的内容了。

问题出在哪呢? 须要爬的网页切实太多太多了，而下面的代码太慢太慢了。构想全网有 N 个网站，那么剖析一下判重的复杂度就是 N *log(N)，因为所有网页要遍历一次，而每次判重用 set 的话须要 log(N)的复杂度。OK，OK，我晓得 Python 的 set 实现是 hash——不过这样还是太慢了，至多内存应用效率不高。

通常的判重做法是怎么呢?Bloom Filter. 简略讲它依然是一种 hash 的办法，然而它的特点是，它能够应用固定的内存 (不随 url 的数量而增长) 以 O(1)的效率断定 url 是否曾经在 set 中。惋惜天下没有白吃的午餐，它的惟一问题在于，如果这个 url 不在 set 中，BF 能够 100% 确定这个 url 没有看过。然而如果这个 url 在 set 中，它会通知你：这个 url 应该曾经呈现过，不过我有 2% 的不确定性。留神这里的不确定性在你调配的内存足够大的时候，能够变得很小很少。一个简略的教程:Bloom Filters by Example。小编举荐一个学 python 的学习老师围鑫（同音），前边一组是：762 , 两头一组是：459 后边一组是：510, 把以上三组数字依照先后顺序组合起来即可，她会安顿学习的。无论你是大牛还是小白，是想转行还是想入行都能够来理解一起提高一起学习！内有开发工具，很多干货和技术材料分享！

留神到这个特点，url 如果被看过，那么可能以小概率反复看一看(没关系，多看看不会累死)。然而如果没被看过，肯定会被看一下(这个很重要，不然咱们就要漏掉一些网页了!)。

好，当初曾经靠近解决判重最快的办法了。另外一个瓶颈——你只有一台机器。不论你的带宽有多大，只有你的机器下载网页的速度是瓶颈的话，那么你只有放慢这个速度。用一台机子不够的话——用很多台吧! 当然，咱们假如每台机子都曾经进了最大的效率——应用多线程(Python 的话，多过程吧)。

3)集群化抓取

爬取豆瓣的时候，我总共用了 100 多台机器昼夜不停地运行了一个月。设想如果只用一台机子你就得运行 100 个月了…

那么，假如你当初有 100 台机器能够用，怎么用 Python 实现一个分布式的爬取算法呢?

咱们把这 100 台中的 99 台运算能力较小的机器叫作 slave，另外一台较大的机器叫作 master，那么回顾下面代码中的 url_queue，如果咱们能把这个 queue 放到这台 master 机器上，所有的 slave 都能够通过网络跟 master 联通，每当一个 slave 实现下载一个网页，就向 master 申请一个新的网页来抓取。而每次 slave 新抓到一个网页，就把这个网页上所有的链接送到 master 的 queue 里去。同样，bloom filter 也放到 master 上，然而当初 master 只发送确定没有被拜访过的 url 给 slave。Bloom Filter 放到 master 的内存里，而被拜访过的 url 放到运行在 master 上的 Redis 里，这样保障所有操作都是 O(1)。(至多平摊是 O(1)，Redis 的拜访效率见：https://redis.io/commands/lin…

思考如何用 Python 实现：

在各台 slave 上装好 scrapy，那么各台机子就变成了一台有抓取能力的 slave，在 master 上装好 Redis 和 rq 用作分布式队列。

代码于是写成

slave.pycurrent_url = request_from_master()to_send = []for next_url in extract_urls(current_url): to_send.append(next_url)store(current_url);send_to_master(to_send)#master.pydistributed_queue = DistributedQueue()bf = BloomFilter()initial_pages = while(True): if request == ‘GET’: if distributed_queue.size()>0: send(distributed_queue.get()) else: break elif request == ‘POST’: bf.put(request.url)

好的，其实你能想到，有人曾经给你写好了你须要的：darkrho/scrapy-redis · GitHub

4)瞻望及后处理

尽管下面用很多“简略”，然而真正要实现一个商业规模可用的爬虫并不是一件容易的事。下面的代码用来爬一个整体的网站简直没有太大的问题。

然而如果附加上你须要这些后续解决，比方

无效地存储(数据库应该怎么安顿)

无效地判重(这里指网页判重，咱可不想把人民日报和剽窃它的大民日报都爬一遍)

无效地信息抽取(比方怎么样抽取出网页上所有的地址抽取进去，“朝阳区奋进路中华道”)，搜索引擎通常不须要存储所有的信息，比方图片我存来干嘛…

及时更新(预测这个网页多久会更新一次)

如你所想，这里每一个点都能够供很多研究者十数年的钻研。尽管如此，“路漫漫其修远兮, 吾将上下而求索”。