互聯網的數據爆炸式的增長，而利用 Python 爬蟲我們可以獲取大量有價值的數據：
1.爬取數據，進行市場調研和商業分析
爬取知乎優質答案，篩選各話題下最優質的內容； 抓取房產網站買賣信息，分析房價變化趨勢、做不同區域的房價分析；爬取招聘網站職位信息，分析各行業人才需求情況及薪資水平。
2.作為機器學習、數據挖掘的原始數據
比如你要做一個推薦系統，那么你可以去爬取更多維度的數據，做出更好的模型。
3.爬取優質的資源：圖片、文本、視頻
爬取商品（店鋪）評論以及各種圖片網站，獲得圖片資源以及評論文本數據。
掌握正確的方法，在短時間內做到能夠爬取主流網站的數據，其實非常容易實現。
但建議你從一開始就要有一個具體的目標，在目標的驅動下，你的學習才會更加精準和高效。這里給你一條平滑的、零基礎快速入門的學習路徑：
1.了解爬蟲的基本原理及過程
2.Requests+Xpath 實現通用爬蟲套路
3.了解非結構化數據的存儲
4.應對特殊網站的反爬蟲措施
5.Scrapy 與 MongoDB，進階分布式
下面給大家展示一些爬蟲項目：
有些項目可能比較老了，不能用了，大家可以參考一下，重要的是一個思路，借鑒前人的一些經驗，希望能幫到大家
（1）微信公眾號爬蟲
地址：https://github.com/Chyroc/WechatSogou
基于搜狗微信搜索的微信公眾號爬蟲接口，可以擴展成基于搜狗搜索的爬蟲，返回結果是列表，每一項均是公眾號具體信息字典。
（2）豆瓣讀書爬蟲
地址：https://github.com/lanbing510/DouBanSpider
可以爬下豆瓣讀書標簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價人數>1000的高分書籍；可依據不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進行爬取，并加入隨機延時來更好的模仿瀏覽器行為，避免爬蟲被封。
（3）知乎爬蟲
地址：https://github.com/LiuRoy/zhihu_spider
此項目的功能是爬取知乎用戶信息以及人際拓撲關系，爬蟲框架使用scrapy，數據存儲使用mongo
（4） Bilibili用戶爬蟲
地址：https://github.com/airingursb/bilibili-user
總數據數：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級，經驗值，粉絲數，生日，地址，注冊時間，簽名，等級與經驗值等。抓取之后生成B站用戶數據報告。
（5）新浪微博爬蟲
https://github.com/LiuXingMing/SinaSpider
主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關注。代碼獲取新浪微博Cookie進行登錄，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。
（6） 小說下載分布式爬蟲
https://github.com/gnemoug/distribute_crawler
使用scrapy,redis, MongoDB,graphite實現的一個分布式網絡爬蟲,底層存儲MongoDB集群,分布式使用Redis實現,爬蟲狀態顯示使用graphite實現，主要針對一個小說站點。
（7）中國知網爬蟲
https://github.com/yanzhou/CnkiSpider
設置檢索條件后，執行src/CnkiSpider.py抓取數據，抓取數據存儲在/data目錄下，每個數據文件的第一行為字段名稱。
（8）鏈接網爬蟲
https://github.com/yanzhou/CnkiSpider
爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼。
（9）京東爬蟲
https://github.com/taizilongxu/scrapy_jingdong
基于scrapy的京東網站爬蟲，保存格式為csv。
（10） QQ 群爬蟲
https://github.com/caspartse/QQ-Groups-Spider
批量抓取 QQ 群信息，包括群名稱、群號、群人數、群主、群簡介等內容，最終生成 XLS(X) / CSV 結果文件。
（11）烏云爬蟲
https://github.com/hanc00l/wooyun_public
烏云公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內容存在MongoDB中，大概約2G內容；如果整站爬全部文本和圖片作為離線查詢，大概需要10G空間、2小時（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。
念無心：python步入高薪，踏上人生巔峰之路?zhuanlan.zhihu.com
（12）hao123網站爬蟲
https://github.com/hanc00l/wooyun_public
以hao123為入口頁面，滾動爬取外鏈，收集網址，并記錄網址上的內鏈和外鏈數目，記錄title等信息，windows7 32位上測試，目前每24個小時，可收集數據為10萬左右。
（13）機票爬蟲（去哪兒和攜程網）
https://github.com/hanc00l/wooyun_public
Findtrip是一個基于Scrapy的機票爬蟲，目前整合了國內兩大機票網站（去哪兒 + 攜程）。
（14）163spider
https://github.com/leyle/163spider
基于requests、MySQLdb、torndb的網易客戶端內容爬蟲。
（15）doubanspiders
https://github.com/sdfzy/doubanspiders
豆瓣電影、書籍、小組、相冊、東西等爬蟲集 writen by Python
（16） QQ空間爬蟲
https://github.com/LiuXingMing/QQSpider
包括日志、說說、個人信息等，一天可抓取 400 萬條數據。
（17）baidu-music-spider
https://github.com/Shu-Ji/baidu-music-spider
百度mp3全站爬蟲，使用redis支持斷點續傳。
（18） 淘寶和天貓的爬蟲
https://github.com/pakoo/tbcrawler
根據搜索關鍵詞,物品id來抓取頁面的信息，數據存儲在mongodb。
（19）stockholm
https://github.com/benitoro/stockholm
一個股票數據（滬深）爬蟲和選股策略測試框架。根據選定的日期范圍抓取所有滬深兩市股票的行情數據。支持使用表達式定義選股策略。支持多線程處理。保存數據到JSON文件、CSV文件。
（20）BaiduyunSpider
https://github.com/k1995/BaiduyunSpider
百度云盤爬蟲。
（21）社交數據爬蟲
https://github.com/Qutan/Spider
支持微博,知乎,豆瓣。
（22）proxy pool
https://github.com/Qutan/Spider
Python爬蟲代理IP池(proxy pool)。
（23）網易云音樂
https://github.com/RitterHou/music-163
爬取網易云音樂所有歌曲的評論。
（24）CnblogsSpider
https://github.com/jackgitgz/CnblogsSpider
cnblogs列表頁爬蟲。
（25）spider_smooc
https://github.com/jackgitgz/CnblogsSpider
爬取慕課網視頻。
（26）knowsecSpider
https://github.com/littlethunder/knowsecSpider2
知道創宇爬蟲題目。
（27）SinaSpider
https://github.com/szcf-weiya/SinaSpider
動態IP解決新浪的反爬蟲機制，快速抓取內容。
（28）csdn-spider
https://github.com/Kevinsss/csdn-spider
爬取CSDN上的博客文章。
一、爬蟲是什么？
如果我們把互聯網比作一張大的蜘蛛網，數據便是存放于蜘蛛網的各個節點，而爬蟲就是一只小蜘蛛，沿著網絡抓取自己的獵物（數據）爬蟲指的是：向網站發起請求，獲取資源后分析并提取有用數據的程序。
從技術層面來說就是 通過程序模擬瀏覽器請求站點的行為，把站點返回的html代碼/JSON數據/二進制數據（圖片、視頻） 爬到本地，進而提取自己需要的數據，存放起來使用；
二、爬蟲的基本流程
用戶獲取網絡數據的方式：
方式1：瀏覽器提交請求--->下載網頁代碼--->解析成頁面
方式2：模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放于數據庫或文件中
爬蟲要做的就是方式2。
1、發起請求
使用http庫向目標站點發起請求，即發送一個Request
Request包含：請求頭、請求體等
Request模塊缺陷：不能執行JS 和css 代碼
2、獲取相應內容
如果服務器能正常響應，則會得到一個Response
Response包含：html，json，圖片，視頻等
3、解析內容
解析html數據：正則表達式（RE模塊），第三方解析庫如Beautifulsoup，pyquery等
解析json數據：json模塊
解析二進制數據:以wb的方式寫入文件
4、保存數據
數據庫（MySQL，Mongdb、Redis）
文件
三、http協議 請求與響應
Request：用戶將自己的信息通過瀏覽器（socket client）發送給服務器（socket server）
Response：服務器接收請求，分析用戶發來的請求信息，然后返回數據（返回的數據中可能包含其他鏈接，如：圖片，js，css等）
ps：瀏覽器在接收Response后，會解析其內容來顯示給用戶，而爬蟲程序在模擬瀏覽器發送請求然后接收Response后，是要提取其中的有用數據。
四、 request
1、請求方式：
常見的請求方式：GET / POST
2、請求的URL
url全球統一資源定位符，用來定義互聯網上一個唯一的資源 例如：一張圖片、一個文件、一段視頻都可以用url唯一確定
url編碼
https://www.baidu.com/s?wd=圖片
圖片會被編碼（看示例代碼）
網頁的加載過程是：
加載一個網頁，通常都是先加載document文檔，
在解析document文檔的時候，遇到鏈接，則針對超鏈接發起下載圖片的請求
3、請求頭
User-agent：請求頭中如果沒有user-agent客戶端配置，服務端可能將你當做一個非法用戶host；
cookies：cookie用來保存登錄信息
注意：一般做爬蟲都會加上請求頭
請求頭需要注意的參數：
（1）Referrer：訪問源至哪里來（一些大型網站，會通過Referrer 做防盜鏈策略；所有爬蟲也要注意模擬）
（2）User-Agent:訪問的瀏覽器（要加上否則會被當成爬蟲程序）
（3）cookie：請求頭注意攜帶
4、請求體
請求體如果是get方式，請求體沒有內容 （get請求的請求體放在 url后面參數中，直接能看到）如果是post方式，請求體是format dataps：1、登錄窗口，文件上傳等，信息都會被附加到請求體內2、登錄，輸入錯誤的用戶名密碼，然后提交，就可以看到post，正確登錄后頁面通常會跳轉，無法捕捉到post
五、 響應Response
1、響應狀態碼
200：代表成功
301：代表跳轉
404：文件不存在
403：無權限訪問
502：服務器錯誤
2、respone header
響應頭需要注意的參數：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多個，是來告訴瀏覽器，把cookie保存下來
（2）Content-Location：服務端響應頭中包含Location返回瀏覽器之后，瀏覽器就會重新訪問另一個頁面
3、preview就是網頁源代碼
JSON數據
如網頁html，圖片
二進制數據等
六、總結
1、總結爬蟲流程：
爬取--->解析--->存儲
2、爬蟲所需工具：
請求庫：requests,selenium（可以驅動瀏覽器解析渲染CSS和JS，但有性能劣勢（有用沒用的網頁都會加載）；） 解析庫：正則，beautifulsoup，pyquery 存儲庫：文件，MySQL，Mongodb，Redis
看完的點個贊關注一下唄，謝謝大家了，以下是我的文章總的目錄綱領，里面收錄了許多關于python學習方面的文章，包括但不限于：python的學習方法、零基礎入門、爬蟲、開源框架、數據庫、開發工具、一些實用技巧還有面試題等等，總會有你感興趣的，嘿嘿**
