學任何一門技術，都應該帶着目標去學習，目標就像一座燈塔，指引你前進，很多人學着學着就學放棄了，很大部分原因是沒有明確目標，所以，在你準備學爬蟲前，先問問自己爲什麼要學習爬蟲。有些人是爲了一份工作，有些人是爲了好玩，也有些人是爲了實現某個黑科技功能。不過可以肯定的是，學會了爬蟲能給你的工作提供很多便利。
作爲零基礎小白，大體上可分爲三個階段去實現，第一階段是入門，掌握必備基礎知識，比如Python基礎、網絡請求的基本原理等，第二階段是模仿，跟着別人的爬蟲代碼學，弄懂每一行代碼，熟悉主流的爬蟲工具，第三階段是自己動手，到了這個階段你開始有自己的解題思路了，可以獨立設計爬蟲系統。
爬蟲涉及的技術包括但不限於熟練一門編程語言（這裏以 Python 爲例） HTML 知識、HTTP 協議的基本知識、正則表達式、數據庫知識，常用抓包工具的使用、爬蟲框架的使用、涉及到大規模爬蟲，還需要了解分佈式的概念、消息隊列、常用的數據結構和算法、緩存，甚至還包括機器學習的應用，大規模的系統背後都是靠很多技術來支撐的。數據分析、挖掘、甚至是機器學習都離不開數據，而數據很多時候需要通過爬蟲來獲取，因此，即使把爬蟲作爲一門專業來學也是有很大前途的。
那麼是不是一定要把上面的知識全學完了纔可以開始寫爬蟲嗎？當然不是，學習是一輩子的事，只要你會寫 Python 代碼了，就直接上手爬蟲，好比學車，只要能開動了就上路吧，寫代碼可比開車安全多了。
用 Python 寫爬蟲，首先需要會 Python，把基礎語法搞懂，知道怎麼使用函數、類、list、dict 中的常用方法就算基本入門。接着你需要了解 HTML，HTML 就是一個文檔樹結構。然後是關於 HTTP 的知識，爬蟲基本原理就是通過網絡請求從遠程服務器下載數據的過程，而這個網絡請求背後的技術就是基於 HTTP 協議。作爲入門爬蟲來說，你需要了解 HTTP協議的基本原理，雖然 HTTP 規範用一本書都寫不完，但深入的內容可以放以後慢慢去看，理論與實踐相結合。
網絡請求框架都是對 HTTP 協議的實現，比如著名的網絡請求庫 Requests 就是一個模擬瀏覽器發送 HTTP 請求的網絡庫。瞭解 HTTP 協議之後，你就可以專門有針對性的學習和網絡相關的模塊了，比如 Python 自帶有 urllib、urllib2（Python3中的urllib），httplib，Cookie等內容，當然你可以直接跳過這些，直接學習 Requests 怎麼用，前提是你熟悉了 HTTP協議的基本內容，數據爬下來，大部分情況是 HTML 文本，也有少數是基於 XML 格式或者 Json 格式的數據，要想正確處理這些數據，你要熟悉每種數據類型的解決方案，比如 JSON 數據可以直接使用 Python自帶的模塊 json，對於 HTML 數據，可以使用 BeautifulSoup、lxml 等庫去處理，對於 xml 數據，除了可以使用 untangle、xmltodict 等第三方庫。
爬蟲工具裏面，學會使用 Chrome 或者 FireFox 瀏覽器去審查元素，跟蹤請求信息等等，現在大部分網站有配有APP和手機瀏覽器訪問的地址，優先使用這些接口，相對更容易。還有 Fiddler 等代理工具的使用。
入門爬蟲，學習正則表達式並不是必須的，你可以在你真正需要的時候再去學，比如你把數據爬取回來後，需要對數據進行清洗，當你發現使用常規的字符串操作方法根本沒法處理時，這時你可以嘗試瞭解一下正則表達式，往往它能起到事半功倍的效果。Python 的 re 模塊可用來處理正則表達式。
數據清洗完最終要進行持久化存儲，你可以用文件存儲，比如CSV文件，也可以用數據庫存儲，簡單的用 sqlite，專業點用 MySQL，或者是分佈式的文檔數據庫 MongoDB，這些數據庫對Python都非常友好，有現成的庫支持，你要做的就是熟悉這些 API 怎麼使用。
從數據的抓取到清洗再到存儲的基本流程都走完了，也算是基本入門了，接下來就是考驗內功的時候了，很多網站都設有反爬蟲策略，他們想方設法阻止你用非正常手段獲取數據，比如會有各種奇奇怪怪的驗證碼限制你的請求操作、對請求速度做限制，對IP做限制、甚至對數據進行加密操作，總之，就是爲了提高獲取數據的成本。這時你需要掌握的知識就要更多了，你需要深入理解 HTTP 協議，你需要理解常見的加解密算法，你要理解 HTTP 中的 cookie，HTTP 代理，HTTP中的各種HEADER。爬蟲與反爬蟲就是相愛相殺的一對，道高一次魔高一丈。如何應對反爬蟲沒有既定的統一的解決方案，靠的是你的經驗以及你所掌握的知識體系。這不是僅憑21天入門教程就能達到的高度。
進行大規模爬蟲，通常都是從一個URL開始爬，然後把頁面中解析的URL鏈接加入待爬的URL集合中，我們需要用到隊列或者優先隊列來區別對待有些網站優先爬，有些網站後面爬。每爬去一個頁面，是使用深度優先還是廣度優先算法爬取下一個鏈接。每次發起網絡請求的時候，會涉及到一個DNS的解析過程（將網址轉換成IP）爲了避免重複地 DNS 解析，我們需要把解析好的 IP 緩存下來。URL那麼多，如何判斷哪些網址已經爬過，哪些沒有爬過，簡單點就是是使用字典結構來存儲已經爬過的的URL，但是如果碰過海量的URL時，字典佔用的內存空間非常大，此時你需要考慮使用 Bloom Filter（布隆過濾器），用一個線程逐個地爬取數據，效率低得可憐，如果提高爬蟲效率，是使用多線程，多進程還是協程，還是分佈式操作。
在學習Python的過程中，很多小夥伴往往因爲沒有資料或者沒人指導從而導致自己不想學下去了，因此我特意準備了大量的PDF書籍、視頻教程，都免費送給大家！不管你是零基礎還是有基礎都可以獲取到自己相對應的學習禮包！包括Python軟件工具和2019最新入門到實戰教程，（http://note.youdao.com/noteshare?id=7e3c432b74512d52b75aafc4609451b9）複製到瀏覽器打開即可看到！