1、爬虫的核心是什么？

一直以来，对爬虫技术很关注，自己闲来无事，也写一些爬虫。很多python初学者，将爬虫定 自己的发展方向，但学习方法上，我认为有待商榷。

鄙人愚见，爬虫最关键，最核心的不是如何写程序，而是分析网站。而分析网站用到的则不是python的知识，分析网站所需要的技术包括且不局限于下面这些技术：

  1. html。
  2. javascrip。
  3. socket。
  4. http协议。
  5. 网络分析工具，例如谷歌浏览器的开发者工具。

前面的分析工作做完了，才轮到python上场，python要解决的，是用代码实现抓取的过程，而抓取的过程，数据的定位则完全依靠前面的分析工作。

最后，抓取到的数据要落库，要保存到数据库中，这里又涉及到数据库。

2、 解决速度问题。

如果你幸运的解决了网站的分析工作和程序编写，那么接下来，你可能要面对速度问题。

需要抓取的数据实在是太多了，你的程序不堪重负。这时，你要采取措施，提高抓取速度。

首先要考虑的是多线程技术，尽管python由于GIL锁的存在导致无法有效利用CPU的多核优势，但网络IO是阻塞的，因此，多线程在这个场景下是可以提高效率的。

如果多线程依然无法满足要求，可以使用多进程加多线程，如果依然无法满足速度，则可以考虑分布式，用更多的机器进行爬取。

3、解决反爬机制。

大家都知道数据的重要性，所以，大点的网站，不会把数据放在那里，任由你抓取的，他们会采取多种反爬的机制，这是我认为爬虫技术中最难的部分，不信的话，你可以去尝试抓取一下淘宝的商品信息。

普通的反爬，很容易就绕过了，如果遇到封IP的情况，可以使用IP代理。

如果遇到了验证码，则可以有针对的写验证码破解程序，但有些网站的验证码，实在是难以破解，比如滑动鼠标拼图的那种。

4、 关于爬虫框架。

爬虫框架并不适合初学者，这是我的个人观点。不只是爬虫框架，包括web框架例如flask，django，我认为，都不适合初学者。我为什么这么说呢？原因就在于，如果你一上来就扑向各种框架，那么你只能学会皮毛，我不否定皮毛的作用，但如果你想成为真正的高手，你就必须关注底层的东西，底层的东西，就是我前面讲到的html、javascript、socket、http协议。

我最初写爬虫时，只用requests 和 lxml 这两个模块，没有任何问题，所以，如果你是初学者，我建议你从基础的，简单的事情做起，当你有能力做网站分析，有能力设计程序时，再去学习爬虫框架，那个时候，事半功倍。

打开网易新闻 查看精彩图片