Python为誉为最容易学的编程语言，使用Python编写爬虫非常简单，许多新手都选择以爬虫入门Python，那么学习爬虫需要掌握哪些知识？学习Python，很多人都介绍不要盲目的学习，首先找个项目练手，在实现小项目的过程中会掌握这些零散的知识，而这些知识都是最为需要学习的，这样有没有影响呢？如何系统又科学的学习Python爬虫？

　　1.简单了解网页基础知识

　　大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”这样的流程来进行，这其实也是模拟了我们使用浏览器获取网页信息的过程。简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面之后，我们可以抽取我们想要的那部分信息，并存储在指定的文档或数据库中。

　　在这部分你可以简单了解HTTP协议及网页基础知识，比如POST\GET、HTML、CSS、JS，简单了解即可，不需要系统学习。

　　2.学习Python包、Python的基础知识

　　Python中爬虫相关的包很多：urllib、requests、bs4、scrapy、pyspider等，建议你从requests+Xpath开始，requests负责连接网站，返回网页，Xpath用于解析网页，便于抽取数据。

　　如果你用过BeautifulSoup，会发现Xpath要省事不少，一层一层检查元素代码的工作，全都省略了。掌握之后，你会发现爬虫的基本套路都差不多，一般的静态网站根本不在话下，小猪、豆瓣、糗事百科、腾讯新闻等基本上都可以上手了。

　　当然如果你需要爬取异步加载的网站，可以学习浏览器抓包分析真实请求或者学习Selenium来实现自动化，这样，知乎、时光网、猫途鹰这些动态的网站也基本没问题了。

　　这个过程中你还需要了解一些Python的基础知识：

　　文件读写操作：用来读取参数、保存爬下来的内容

　　list(列表)、dict(字典)：用来序列化爬取的数据

　　条件判断(if/else)：解决爬虫中的判断是否执行

　　循环和迭代(for……while)：用来循环爬虫步骤

　　3.数据存储清洗

　　爬回来的数据可以直接用文档形式存在本地，也可以存入数据库中。

　　开始数据量不大的时候，你可以直接通过Python的语法或pandas的方法将数据存为csv这样的文件。

　　当然你可能发现爬回来的数据并不是干净的，可能会有缺失、错误等等，你还需要对数据进行清洗，可以学习pandas包的基本用法来做数据的预处理，得到更干净的数据。

　　4.学习scrapy爬虫框架

　　掌握前面的技术一般量级的数据和代码基本没有问题了，但是在遇到非常复杂的情况，可能仍然会力不从心，这个时候，强大的scrapy框架就非常有用了。

　　scrapy是一个功能非常强大的爬虫框架，它不仅能便捷地构建request，还有强大的selector能够方便地解析response，然而它最让人惊喜的还是它超高的性能，让你可以将爬虫工程化、模块化。

　　学会scrapy，你可以自己去搭建一些爬虫框架，你就基本具备爬虫工程师的思维了。

　　5.学习数据库基础，应对大规模数据存储

　　爬回来的数据量小的时候，你可以用文档的形式来存储，一旦数据量大了，这就有点行不通了。所以掌握一种数据库是必须的，学习目前比较主流的MongoDB就OK。

　　MongoDB可以方便你去存储一些非结构化的数据，比如各种评论的文本，图片的链接等等。你也可以利用PyMongo，更方便地在Python中操作MongoDB。

　　因为这里要用到的数据库知识其实非常简单，主要是数据如何入库、如何进行提取，在需要的时候再学习就行。

　　6.分布式爬虫

　　爬取基本数据已经不是问题了，你的瓶颈会集中到爬取海量数据的效率。这个时候，相信你会很自然地接触到一个很厉害的名字：分布式爬虫。

　　分布式这个东西，听起来很恐怖，但其实就是利用多线程的原理让多个爬虫同时工作，需要你掌握Scrapy+MongoDB+Redis这三种工具。

　　Scrapy前面我们说过了，用于做基本的页面爬取，MongoDB用于存储爬取的数据，Redis则用来存储要爬取的网页队列，也就是任务队列。

　　学习爬虫需要掌握哪些知识？上文介绍了六点，此外也需要了解反爬虫知识，因为编写好爬虫之后，要能获得数据才是成功的，这个前提就是要成功突破反爬虫机制，否则何谈获取数据呢。常见的反爬虫有IP限制、验证码限制等等。比如说IP限制，可以使用精灵代理的IP进行突破，精灵代理可以提供全国上百家城市IP，完全可以满足爬虫的爬取需求。

　　如果可以成功的编写爬虫后，再掌握各种突破反爬虫机制的方法，那么大部分网站都难不住你了。