可掌握的核心能力：

　　1. 掌握各類HTTP調(diào)試器用法

　　2. 理解網(wǎng)絡爬蟲編寫的基本套路

　　3. 了解網(wǎng)絡爬蟲編寫的各種陷阱

　　4. 能夠應對動態(tài)網(wǎng)站爬取

　　5. 能夠應對帶有驗證碼的網(wǎng)站

　　6. 能夠應對需要瀏覽器渲染的網(wǎng)站

　　7. 能夠應對分布式抓取需要

　　8. 能夠應對反爬蟲技術

　　9. 能夠應對無界面抓取

　　10. 能夠利用爬蟲平臺

 

　　學習的目的：

　　1、 讓大家掌握現(xiàn)實中編寫Python爬蟲會遇到的方方面面的問題，讓大家以后在實際爬蟲工作中，不懼任何挑戰(zhàn)。

 

　　可解決的現(xiàn)實問題及價值所在：

　　1. 掌握各類HTTP調(diào)試器用法

　　HTTP調(diào)試器是網(wǎng)絡爬蟲編寫的基礎。

 

　　2. 理解網(wǎng)絡爬蟲編寫的基本套路

　　經(jīng)過長期時間，爬蟲編寫其實已經(jīng)形成了一些基本的套路，掌握這些套路不僅有助于大家快速編寫爬蟲程序，也有助于大家理解前人的代碼。

　　這些套路也是一些爬蟲框架所使用的架構基礎。

 

　　3. 了解網(wǎng)絡爬蟲編寫的各種坑

　　這些坑是實踐中的經(jīng)驗，非理論。這些坑也是消耗程序員時間最多的地方，解決這些坑需要的很多技巧和經(jīng)驗，這些往往是初級程序員所欠缺的，但是老師會把這些都告訴大家。

 

　　4. 能夠應對動態(tài)網(wǎng)站爬取

　　當前，越來越多的網(wǎng)站使用JS的動態(tài)技術加載某些內(nèi)容，甚至無須使用動態(tài)方式生成的信息也因為某些原因使用動態(tài)的方式生成。而這些信息是我們繼續(xù)爬取所需要的，這個時候，我們就需要解決這些動態(tài)性問題。

 

　　5. 能夠應對帶有驗證碼的網(wǎng)站

　　現(xiàn)在大部分信息檢索網(wǎng)站都會使用驗證碼技術保護自己的信息，免遭大規(guī)模的抓取，驗證碼識別技術已經(jīng)成為一個爬蟲程序員必須掌握的基本功。

 

　　6. 能夠應對需要瀏覽器渲染的網(wǎng)站

　　當前反爬蟲技術花樣繁多，有的網(wǎng)站如果不渲染出結果，只依靠網(wǎng)頁文本，則無從獲取到我們想要的信息，比如有的網(wǎng)站，我們所關注的信息是使用CSS拼接而來的，經(jīng)過瀏覽器的渲染，人可以輕松看懂網(wǎng)頁內(nèi)容，但是對于傳統(tǒng)的HTML爬蟲而言，則無法獲得自己想要的信息。

 

　　7. 能夠應對分布式抓取需要

　　對于企業(yè)級的爬取需求來說，分布式爬取是一個基本要求，因為單一爬蟲的爬取效率畢竟受到網(wǎng)絡交互速度的限制，但是分布式爬蟲，可以最大效率地利用網(wǎng)站服務器的服務能力，獲取信息。

 

　　8. 能夠應對反爬蟲技術

　　由于各個企業(yè)都有外部數(shù)據(jù)需求，因而爬蟲盛行。很多時候，網(wǎng)站的40%以上的流量是被爬蟲占據(jù)的，在這種情況下，業(yè)內(nèi)發(fā)展出了各式各樣的反爬蟲技術。應對這些反爬蟲技術也是我們工作內(nèi)容的一部分。

 

　　9. 能夠應對無界面抓取

　　對于我們開發(fā)者來說，有些網(wǎng)頁必須獲取它被JavaScript和CSS渲染之后的結果。通常來講我們可以使用瀏覽器驅(qū)動，來驅(qū)動Chrome等瀏覽器完成這項任務。但是對于大規(guī)模爬取任務來說，我們需要將我們的爬蟲部署到Linux服務器上，帶界面的Chrome瀏覽器并不是合適的選擇，因為它非常消耗計算資源。所以我們會選擇使用無界面的抓取方式對已經(jīng)成熟的代碼進行服務器端部署。

 

　　10. 能夠利用爬蟲平臺

　　無論國內(nèi)國外，都有很多的爬蟲平臺可以直接使用，有些甚至可以部署企業(yè)級爬蟲，并根據(jù)需要購買計算能力和存儲能力，甚至代理服務器ip也可以購買，同時有的平臺提供可視化和報警服務，這些內(nèi)容對于中小企業(yè)來說，并不是容易建立的資源環(huán)境，這時選擇一個合適爬蟲平臺，將自己編寫的爬蟲托管到爬蟲平臺上不失為一個合理的選擇。