爬虫学习 pyspider和scrapy小结 / 与其他工具对比

从火车头了解了翻页与正则表达式带入了爬虫原理、后python的urllib和requests彻底梳理了爬虫过程，之后引入phantomjs chromedriver这些彻底解决了爬虫问题，但是这些太琐碎，而且反爬虫越来越厉害，必须升级爬取武器到专业级别。

用python实现了基本爬虫之后，相比火车头工具，再次体验到了代码在灵活度和速度方面的魅力（之前用python用正则表达式处理文本数据速度是excel的10倍），数据采集全面转向python，对爬虫的关键几步也更加清晰：

1，构造url：包括单页、逐层深入、翻页、传入一个网页list；各种参数例如headers参数

2，访问并下载目标页面

3，目标页面类型定义与解析，解析是根本，看返回的目标类型。

4，存储

5，各种配置，例如限制速度

6，高阶的：各种反爬虫、分布式、断网怎么办、防止重复爬！

上面的流程有很多技术细节，其中从技术上可以分为三个：

1，了解http相关的知识，例如访问、下载，还有分布式，这块东西太多了，绝非易事！因此最容易产生各种问题。

2，构造url，这里包括url表达和相关的参数，积累多了也就熟练了。

3，phantomjs操作

4，解析数据，正则表达式（虽然使用起来最麻烦，但是实际操作来看必不可少）、bs4、css、xpath这些，掌握的方法也是多用，多积累代码。

以上应用爬虫的人最关心同时最应该花费心思的就是技术的第2、3、4，对于技术好的人，第3点速度稍慢，自有解决方法，但是对于我这个业务人员来说，完全没必要花费那么多时间深入了，用phantomjs加上sleep10秒中，什么都解决了。

因此必须用框架，只focus最核心的，其他的例如http知识、分布式、断网、防止重复爬取等还是直接站在大牛们的肩上吧！于是 pyspider和scrapy都必须学习了。

个人经过实践感觉，pyspider更加简单，但是网上资料少，只要好好读官方文档基本能解决90%的问题，因此对我这种抄代码为主的用户来说不够灵活，例如想用phantomjs实现模拟点击。scrapy相对复杂，而且网络上代码多，因此相对灵活。

后面分别按照不同阶段代码积累并分享出来！

与其他工具对比：

今日看了某大型互联网公司搜索团队开发的产品，访问网页时候就出问题了，并且其解析规则更麻烦，而且各个用户之间没有共享，突然觉得访问、下载这两步真是不是那么简单的，这些还是给框架去做吧，毕竟开源产品遇到的问题更多！

作为业务公司还是要更多关注业务！技术只是实现业务的手段而非核心竞争力，因此只用成熟的技术就好！稳定、低成本！靠谱！

再来一个案例，看到网上一个使用代理池爬取微信的视频教程，程序员自己写的代码，真的和scrapy差距很大，网页访问和代理代码写得都乱，还是用scrapy吧。