Python編程語言相對(duì)于Java要更簡單入門更容易，同時(shí)相對(duì)PHP使用范圍更廣泛，有利于后期的學(xué)習(xí)拓展知識(shí)。對(duì)于零基礎(chǔ)想學(xué)習(xí)Python爬蟲的同學(xué)應(yīng)該掌握哪些知識(shí)，遵循怎樣的學(xué)習(xí)路線呢？

爬蟲其實(shí)就是遵循一定的規(guī)則獲取數(shù)據(jù)的過程，所以在學(xué)習(xí)Python知識(shí)的過程中一定要重點(diǎn)學(xué)習(xí)其中的數(shù)據(jù)類型、第三方庫的應(yīng)用以及正則表達(dá)式相關(guān)的知識(shí)內(nèi)容。

爬蟲的工作原理其實(shí)就是模擬我們通過瀏覽器獲取網(wǎng)頁信息的過程，無外乎“發(fā)送請(qǐng)求—獲得頁面—解析頁面—抽取并儲(chǔ)存內(nèi)容”。

在爬蟲工作中需要涉及到前端頁面相關(guān)的知識(shí)，網(wǎng)絡(luò)協(xié)議相關(guān)的知識(shí)，以及數(shù)據(jù)存儲(chǔ)的相關(guān)知識(shí)。因此根據(jù)這個(gè)過程我還需要進(jìn)一步掌握的技術(shù)包括。

當(dāng)爬蟲抓取數(shù)據(jù)量非常大的時(shí)候，用上文提到的文檔存儲(chǔ)形式已經(jīng)不能夠應(yīng)對(duì)了，因此大家需要掌握相應(yīng)的數(shù)據(jù)庫知識(shí)。

可以方便你去存儲(chǔ)一些非結(jié)構(gòu)化的數(shù)據(jù)，比如各種評(píng)論的文本，圖片的鏈接等等。

分布式爬蟲主要是用來應(yīng)對(duì)爬取海量數(shù)據(jù)的問題。其實(shí)就是利用多線程的原理讓多個(gè)爬蟲同時(shí)工作，你需要掌握Scrapy + MongoDB + Redis 這三種工具。