Python大牛给写的爬虫学习路线，分享给大家看看！

今天给大家带来我的python爬虫学习路线，供大家参考！

第一步，学会自己安装python、库和你的编辑器并设置好它

我们学习python的最终目的是要用它来达到我们的目的，它本身是作为工具的存在，我们一定要掌握自己的工具的各类设置，比如安装、环境配置、库的安装，编辑器的设置等等。

当然也可以用比如Anaconda来管理你的版本和各种库！

第二步、学会一些基础的模块

我们有目标网址，怎么写爬虫呢？这个时候，建议大家可以找一些简单爬虫的视频或者文章，跟着老师一起写代码，先感受一下爬虫是怎么一步一步的在你的手里完成的！

当然这里不是说你照着老师的代码敲一遍就算学会了，个人认为，这里你最少要做三步：

l 所有你不知道的库、函数、语法都需要记录下来，自行学习掌握，并在以后的爬虫中继续这个步骤，很重要

l 要学会老师的思路。比如基本所有的教程并不是拿到url就开始写代码了，都有自己的分析过程，而思路在爬虫中占到很大一部分的比重，有了思路，写代码就不难了

l 先模仿在独立完成。先跟着老师做一些简单的爬虫，然后思路和代码都掌握以后，就可以尝试自行查找类似的项目去独立完成一个爬虫了！

l 推荐基础模块：re,requests,time等，自定义函数、类等语法以及报头、cookie的写入等等也需要了解

到这里，你应该已经掌握了python的基础模块并写出了你的简单爬虫，那么可以进行下一个步骤的学习了

第三步、学习各种表达式，并精通1-2种！

学会了如何爬取网页内容之后，你还需要学会进行信息的提取。事实上，信息的提取你可以通过表达式进行实现，同样，有很多表达式可以供你选择使用，常见的有正则表达式、XPath表达式、BeautifulSoup（bs4）等，这些表达式你没有必要都精通，同样，精通1-2个，其他的掌握即可，在此建议精通掌握正则表达式以及XPath表达式，其他的了解掌握即可。正则表达式可以处理的数据的范围比较大，简言之，就是能力比较强，XPath只能处理XML格式的数据，有些形式的数据不能处理，但XPath处理数据会比较快,而且以后你学习爬虫框架也会用到xpath。

第四步、深入掌握抓包并分析提取需要的内容

在我们练习的过程中，会经常碰到有反爬措施的网站，而这些网站最常使用的措施就是隐藏数据，那么这时我们就要学会使用抓包分析，推荐大家一定要精通浏览器的开发者工具以及fiddler抓包工具，当然其他抓包工具或者抓包插件也可以，没有特别要求。

第五步、精通爬虫框架

当你学习到这一步的时候，你已经入门了。

这个时候，你可能需要深入掌握一款爬虫框架，因为采用框架开发爬虫项目，效率会更加高，并且项目也会更加完善。

同样，你可以有很多爬虫框架进行选择，比如Scrapy、pySpider等等，一样的，你没必要每一种框架都精通，只需要精通一种框架即可，其他框架都是大同小异的，在此推荐掌握Scrapy框架.

第六步、反爬的学习和精通

常见的反爬策略主要有：

IP限制

UA限制

Cookie限制

资源随机化存储

动态加载技术

……

对应的反爬处理手段主要有：

IP代理池技术

用户代理池技术

Cookie池保存与处理

自动触发技术

抓包分析技术+自动触发技术

反爬以及反爬处理都有一些基本的套路，万变不离其宗，这些需要我们根据实际情况去选择使用

第七步、seleium+phantomjs(firefox/chorm)等工具的使用

有一些站点，通过常规的爬虫很难去进行爬取，这个时候，你需要借助一些工具模块进行，比如PhantomJS、Selenium等，所以，你还需要掌握PhantomJS、Selenium等工具的常规使用方法。

第八步、分布式爬虫技术的掌握

如果你已经学习或者研究到到了这里，那么恭喜你，相信现在你爬任何网站都已经不是问题了，反爬对你来说也只是一道形同虚设的墙而已了。

但是，如果要爬取的资源非常非常多，靠一个单机爬虫去跑，仍然无法达到你的目的，因为太慢了。

所以，这个时候，你还应当掌握一种技术，就是分布式爬虫技术，分布式爬虫的架构手段有很多，你可以依据真实的服务器集群进行，也可以依据虚拟化的多台服务器进行，你可以采用Scrapy+redis架构手段，将爬虫任务部署到多台服务器中就OK。

总结：

有人问：使用windows系统还是linux系统学习？其实，没关系的，由于Python的可移植性非常好，所以你在不同的平台中运行一个爬虫，代码基本上不用进行什么修改，只需要学会部署到Linux中即可。一般建议学习的时候使用Windows系统进行就行，之后部署到linux系统上就可以了。

以上是如果你想精通Python网络爬虫的学习研究路线，按照这些步骤学习下去，可以让你的爬虫技术得到非常大的提升。