网页抓取更侧重于将网络上的非结构化数据（常见的是HTML格式）转换成为能在一个中央数据库中储存和分析的结构化数据。
需要具备一定的前端知识，最起码应该能大概看懂网页内容，像基本的html元素，css样式，javascript等，不要求熟练掌握，这些是最基础的东西。
一、基本要掌握的8个知识点
1、爬虫原理了解
互联网就是一张大网，而爬虫（即网络爬虫）便是在网上爬行的蜘蛛。
如果把网的节点比作一个个网页，爬虫爬到这就相当于访问了该页面，获取了其信息，可以把节点间的连线比作网页与网页之间的链接关系。
爬虫首先要做的工作就是获取网页，这里就是获取网页的源代码。
获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据。
提取信息后，我们可以简单保存为 TXT 文本或 JSON 文本，也可以保存到数据库，如 MySQL 和 MongoDB 等，还可保存至远程服务器。
2、Python学习
可以去网上找一些教学视频、入门学习教程等等，去看一下，然后有基础了之后还可以找一些进阶的学习视频，再打打基础。
3、HTML了解
了解网页的结构，内容等，帮助后续的数据爬取。
HTML被称为超文本标记语言，有着一系列的标签，这些标签的组合可以显示出文字，图片，视频等内容。
我们平时访问的网页，就是通过html编写的。
想要看到平常的网页，就需要为文档添加css样式，如果想要添加动画效果，图片能够自动播放或者点击出现一些反馈，这就需要用到JavaScript来编写脚本。
常用的HTML标签：
4、TCP/IP协议
了解在网络请求和网络传输上的基本原理，帮助今后写爬虫的时候理解爬虫的逻辑。
5、JavaScript
简称为js，js的运行需要靠浏览器来运行。
它是一种脚本语言，具有即时编译的特点，js可以做一些动态的操作，比如添加一个元素，改变元素的内容，改变css样式。
-
JavaScript 渲染页面
现在网页越来越多地采用 Ajax、前端模块化工具来构建，整个网页可能都是由 JavaScript 渲染出来的，也就是说原始的 HTML 代码就是一个空壳。
网页请求这个js文件，获取到该文件后，便会执行其中的 JavaScript 代码，而 JavaScript 则会改变 HTML 中的节点，向其添加内容，最后得到完整的页面。
对于，可以通过selenium或者找到Ajax的请求地址就可以解决。
6、CSS
css能够对网页中的各种元素（即我们提到的HTML标签），我们可以通过它来设置背景颜色，设置元素的大小位置，设置字体的排版等等。
-
选择器
在 CSS 中，我们使用 CSS 选择器来定位节点。
例如，代码中div节点的id为container，那么就可以表示为#container，其中#开头代表选择id，其后紧跟id的名称。
如果我们想选择class为wrapper的节点，便可以使用.wrapper。
这里以点（.）开头代表选择class(我的记法是:点class,#为number的简称代表id)，其后紧跟class的名称。
<!DOCTYPE html><html> <head> <meta charset="UTF-8"> <title>This is a Demo</title> </head> <body> <div id="container"> <div class="wrapper"> <h2 class="title">Hello World</h2> <p class="text">Hello, this is a paragraph.</p> </div> </div> </body></html>
另外，还有一种选择方式，那就是根据标签名筛选。
例如想选择二级标题，直接用h2即可，这是最常用的3种表示，分别是根据id、class、标签名筛选，请牢记它们的写法。
7、加 密
爬取网站的时候，经常会遇到各种各样类似加密的情形，比如：字体加密，构造参数加密。
想要抓取就必须要懂得找到对应的js文件，研究这些参数是怎么构造的，现在对于更多更全的信息都是通过 App 来展示的。
一些 App 在内部实现的时候对代理加了一些校验，如绕过系统代理直接连接或者检测到了使用了代理，直接拒绝连接。
这需要考虑使用 Wireshark、Tcpdump 在更底层的协议上抓包。
8、抓包分析
要会进行抓包分析，会使用浏览器自带的开发者工具。
网页中有些数据是动态加载的，只在请求网页时才加载数据，在网页源码中是不显示的，所以你需要会进行抓包分析，解析json数据等。
我们经常模拟登录时，也需要进行抓包分析，需要post提交哪些内容等，只有在抓包分析后，才能构建相关提交数据：
其次就是要梳理一下爬虫的思路；
简单的说，就是你想要抓取一个网站的内容时，需要怎么一步步做好，需要现有一个大的整体的架构，才能进一步做好接下来的工作。
二、其他需要注意的
检查robots.txt
许多网站会将爬取规则和限制写在 robots.txt 里，这个文件通常是在根域名下，这个文件就是给 网络爬虫 来了解爬取该网站时存在哪些限制。
Q：如何查看这个 robots.txt 文件？
A：你只需要在 目标网站站点域名 后面加上 robots.txt 即可。
robots.txt 里一般会规定哪些网页不允许被自动抓取，或者限定某个页面被机器人访问的频率。
虽然大部分人不理会这些，但还是要先看一看它的内容，我们还是尽量遵守robots.txt 文件里面的要求为好。
不管什么用户，两次爬取请求之间的间隔时间不可以小于 5秒钟，否则你访问的这个网站会将网页自动跳整到 /trap 链接。
也就是说：网站服务器封禁了你的IP，如果你行为恶劣，可能会对你的IP封禁更长的时间，甚至是永久封禁！
小心HTML里的坑
HTML 标签中可能包含 id 或 class，或二者兼有。
HTML id 是一个独一无二的标记，而 HTML class 可能在多个元素中被重用。
class 名或元素内容可能会改变，而这种改变可能会让你的代码崩溃，或是返回错误的结果。
一般来说，有两种办法避免这种情况出现：
① 采用 id 来获取元素内容，而不是 class，因为 id 一般来说不那么容易改变。
② 记得检查返回值，如果返回了 None，那很可能有什么地方出了问题。
不过，因为有一些 class 可能并不总是出现，相关的元素并不一定在每个列表中都有，所以你需要统计某个元素在所有列表中出现的比例。
比如计算返回 None 的次数；
如果每次都返回 None，那也许你需要检查代码或者是 HTML 源码，看看是不是这个元素在网站的 HTML 中就已经改变了。
对User agent伪装
每当你访问一个网站时，网站都会通过浏览器的 user agent 获取到你的浏览器信息。
有些网站如果没收到 user agent 信息，就不会返回任何内容，还有些网站会根据不同的 user agent，给不同的浏览器提供不同的内容。
网站并不会阻止正常用户的访问，但如果你用同一个 user agent 发起每秒 200 次的请求，这就有问题了吧？
可以通过 user_agent 库，产生（几乎是）随机的 user agent，也可以自定义一个特殊的 user agent。
是否被屏蔽了？
如果你拿到的返回值经常是 404（找不到页面）、403（被禁止）、408（访问超时），就应该考虑你是不是被这个站点屏蔽了。
防止被禁掉
短时间内频繁的访问服务器，很有可能会被服务器识别为爬虫，禁掉IP。
这个时候你就需要使用IP代理池等，尽可能不被服务器发现。
检查网站地图
网站提供的 Sitemap 文件（即 网站地图），它提供了网站站点里面所有页面的链接，它们组成了这个 Sitemap 文件。
我们无须爬取某个网站站点里面的每一个网页，网站提供的 Sitemap 文件 帮助了我们的网络爬虫定为网站最新的内容。
虽然Sitemap文件提供了一种爬取网站的有效方式，但是我们仍需要对其谨慎处理。
因为该文件经常存在缺失、过期或者不完整的问题。
存储数据
爬取下来的数据，如果数据量大的话，就需要了解一些常用的数据库的使用，像mysql，mongodb等，方便查询也方便管理。
爬虫框架
最后就是学一些爬虫常用的框架；
可以明显提高开发效率，避免重复造轮子，像python的开源爬虫框架scrapy等，使用起来也更快捷。
觉得本篇内容有帮助的话可以前往本人主页了解更多技术干货，内容详细丰富，或是前往公众号【Python编程学习圈】了解更多技术内容，领取资料高效学习。
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试
