一个Python爬虫工程师的修养
共 2033字，需浏览 5分钟
·
2020-12-25 13:17
练武不练功，到老一场空
练武的人都知道：练武不练功，到老一场空！
说的是只练花架子，不练习内功，最终也都是一个菜鸟级武师。
学习编程何尝不是！我时常见到已经学习相当一段时间的程序员，连稍微深点的基本知识都没有掌握。可叹，可悲啊！根子不牢，注定走不远啊!
基于实例学习编程非常重要，也非常有效，但与此同时，我们也必须不断的加强基本功的学习，刻意的加强相关的技术。掌握技术脉络，加强各项技术，跳出编程语言本身，练好内功，才能爬的又快又好，成为一个高级的爬虫工程师！
本文从爬虫的技术原理出发，讨论了Python爬虫工程师必须掌握和不断加强的几项技术。
技术脉络
程序发送请求给网页服务器，请求基于HTTP协议 服务器返回网页或者数据，格式为HTML，JSON，XML等。 程序从HTML，JSON，XML等文本中解析返回的网页，用的技术包括xpath, 正则表达式，css选择器等。 程序把解析好的保存到文件或者数据库中供后续分析使用。文件格式通常是cvs，数据库可以使用关系型数据库如MySQL，或者非关系型数据库如MongoDB
除此之外，网站会有各种反爬取技术，爬虫工程师和网站开发工程一个攻，一个守，斗智斗勇。
另外，爬虫10个网页和爬取10000个网站是不同的概念，你需要维护要爬取的数以万计的URL，设置更新频率，去掉不需要的URL等等，查看各个网站的爬取状态等，这就是一个工程化的问题。商业级的爬虫涉及到很多工程化问题。
就像家庭作坊可以就在自己院子里，一家人就能生产出少量的产品。但要大量生成就需要厂房，财务，人事等企业框架和管理制度、
Python爬虫工程师的修养
下面列举了爬虫工程师需要不断掌握和精进的基本功技术：
HTTP协议
HTTP协议是爬虫和网页交流的语言，如果不懂这个语言，你肯定不能成为一个有效的爬虫工程师。你也不需要成为一个协议专家，主要掌握请求，相应，header，cookie等就可以了。
HTTP协议和下面的5项技术都可以在这个网站上学习：www.w3school.com.cn
网页格式：HTML和CSS
我们看到的网页基本都是HTML的格式，我们要从HTML的脚本中找出所需要的信息，就必须掌握HTML的格式。
同样的一个HTML页面，我们可以展现不同的样式。我们通过CSS来指定样式，比如指定表格用什么背景颜色，文字用什么字体等。
这些样式，本来不是爬虫工程师在意的事情，因为我们只在意数据。但是通过CSS，我们可以有效的定位到某些数据，所以CSS还是需要学习的，后面的数据解析部分会再次提到CSS。
网页格式：JavaScript
HTML是完全静态的网页，为了在网页上实现动态效果，就有了JavaScript。很多网页上的数据并没有直接在HTML中给出，而是通过JavaScript后续又加载出来的。
实际上，JavaScript是编程语言排行榜上很靠前的编程语言，所谓的前端开发者需要精通JavaScript，而爬虫工程师了解基本的知识，知道Ajax请求的相关原理，有时候还要知道如何用JavaScript加密，就差不多了。
网页格式：JSON
JSON是JavaScript Object Notation的意思，可以理解成一种数据结构。一般的数据API都是以JSON格式的：
数据解析 - xpath
我们需要用某种技术，从HTML中找出我们想要的数据，xpath是其中一种。简单说，就是通过路径来找到想要的数据：
数据解析 - css选择器
通过指定样式，我们也可以定位到指定的数据，再解析数据：
因为喜欢Jquery的原因，我个人更喜欢CSS选择器。
数据解析 - 正则表达式
前两种数据解析都是基于结构的解析方式，而正则表达式(re)就把HTML当成一个文本，不在意其中的结构，用字符串的规则解析数据：
数据存储 - csv
CSV是用逗号隔开的一种纯文本的数据格式，是数据分析和处理中最常用的格式。CSV可以用记事本打开，也可以用Excel打开。
数据存储 - 数据库
把数据存储在CSV等文本中很方便，但是数据的查询和处理不方便，为了解决这个问题，我们可以会把数据保存在数据库中。
这是很广阔的领域，数据库是计算机技术中最重要分分支之一。值得你不断地学习和精进。相比前面的HTML等，你只要几个小时就可以学会了，后面也不怎么需要更新知识。
反爬技术 - ocr, selenium等
关于反爬技术，请看我另外一篇文章：
工程化框架 - scapy
在Python的世界里，工程化最常用的就是Scrapy框架，它使用组件化的方式分解了爬虫所需要处理的事情，让你可以集中在最关键的地方，剩下的管理工作交给框架来完成。
