欢迎关注天善智能，大家是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！
每周2-3场免费数据领域公开课，每月线下活动，欢迎关注！
学爬虫是循序渐进的过程，作为零基础小白，大体上可分为三个阶段，
第一阶段是入门，掌握必备的基础知识；
第二阶段是模仿，跟着别人的爬虫代码学，弄懂每一行代码；
第三阶段是自己动手，这个阶段你开始有自己的解题思路了，可以独立设计爬虫系统。
爬虫涉及的技术包括但不限于熟练一门编程语言（这里以 Python 为例） HTML 知识、HTTP/HTTPS 协议的基本知识、正则表达式、数据库知识，常用抓包工具的使用、爬虫框架的使用、涉及到大规模爬虫，还需要了解分布式的概念、消息队列、常用的数据结构和算法、缓存，甚至还包括机器学习的应用，大规模的系统背后都是靠很多技术来支撑的。爬虫只是为了获取数据，分析、挖掘这些数据才是价值，因此它还可以延伸到数据分析、数据挖掘等领域，给企业做决策，所以作为一名爬虫工程师，是大有可为的。
那么是不是一定要把上面的知识全学完了才可以开始写爬虫吗？当然不是，学习是一辈子的事，只要你会写 Python 代码了，就直接上手爬虫，好比学车，只要能开动了就上路吧，当然写代码可比开车安全多了。
用 Python 写爬虫，首先需要会 Python，把基础语法搞懂，知道怎么使用函数、类和常用的数据结构如 list、dict 中的常用方法就算基本入门。接着你需要了解 HTML，HTML 就是一个文档树结构，网上有个 HTML 30分钟入门教程 够用了。然后是关于 HTTP 的知识，爬虫基本原理就是通过网络请求从远程服务器下载数据的过程，而这个网络请求背后的技术就是基于 HTTP 协议。作为入门爬虫来说，你需要了解 HTTP协议的基本原理，虽然 HTTP 规范用一本书都写不完，但深入的内容可以放以后慢慢去看，理论与实践相结合。
网络请求框架都是对 HTTP 协议的实现，比如著名的网络请求库 Requests 就是一个模拟浏览器发送 HTTP 请求的网络库。了解 HTTP 协议之后，你就可以专门有针对性的学习和网络相关的模块了，比如 Python 自带有 urllib、urllib2（Python3中的urllib），httplib，Cookie等内容，当然你可以直接跳过这些，直接学习 Requests 怎么用，前提是你熟悉了 HTTP协议的基本内容。这里不得不推荐的一本书是《图解HTTP》。数据爬下来，大部分情况是 HTML 文本，也有少数是基于 XML 格式或者 Json 格式的数据，要想正确处理这些数据，你要熟悉每种数据类型的解决方案，比如JSON数据可以直接使用 Python自带的模块 json，对于 HTML 数据，可以使用 BeautifulSoup、lxml 等库去处理，对于 xml 数据，除了可以使用 untangle、xmltodict等第三方库。
入门爬虫，学习正则表达式并不是必须的，你可以在你真正需要的时候再去学，比如你把数据爬取回来后，需要对数据进行清洗，当你发现使用常规的字符串操作方法根本没法处理时，这时你可以尝试了解一下正则表达式，往往它能起到事半功倍的效果。Python 的 re 模块可用来处理正则表达式。这里也推荐几个教程：正则表达式30分钟入门教程 Python正则表达式指南 正则表达式完全指南
数据清洗完最终要进行持久化存储，你可以用文件存储，比如CSV文件，也可以用数据库存储，简单的用 sqlite，专业点用 MySQL，或者是分布式的文档数据库 MongoDB，这些数据库对Python都非常友好，有现成的库支持。 Python操作MySQL数据库 通过Python连接数据库
从数据的抓取到清洗再到存储的基本流程都走完了，也算是基本入门了，接下来就是考验内功的时候了，很多网站都设有反爬虫策略，他们想方设法阻止你用非正常手段获取数据，比如会有各种奇奇怪怪的验证码限制你的请求操作、对请求速度做限制，对IP做限制、甚至对数据进行加密操作，总之，就是为了提高获取数据的成本。这时你需要掌握的知识就要更多了，你需要深入理解 HTTP 协议，你需要理解常见的加解密算法，你要理解 HTTP 中的 cookie，HTTP 代理，HTTP中的各种HEADER。爬虫与反爬虫就是相爱相杀的一对，道高一次魔高一丈。如何应对反爬虫没有既定的统一的解决方案，靠的是你的经验以及你所掌握的知识体系。这不是仅凭21天入门教程就能达到的高度。
数据结构和算法进行大规模爬虫，通常都是从一个URL开始爬，然后把页面中解析的URL链接加入待爬的URL集合中，大家需要用到队列或者优先队列来区别对待有些网站优先爬，有些网站后面爬。每爬去一个页面，是使用深度优先还是广度优先算法爬取下一个链接。每次发起网络请求的时候，会涉及到一个DNS的解析过程（将网址转换成IP）为了避免重复地 DNS 解析，大家需要把解析好的 IP 缓存下来。URL那么多，如何判断哪些网址已经爬过，哪些没有爬过，简单点就是是使用字典结构来存储已经爬过的的URL，但是如果碰过海量的URL时，字典占用的内存空间非常大，此时你需要考虑使用 Bloom Filter（布隆过滤器），用一个线程逐个地爬取数据，效率低得可怜，如果提高爬虫效率，是使用多线程，多进程还是协程，还是分布式操作。
关于实践网上的爬虫教程多如牛毛，原理大体相同，只不过是换个不同的网站进行爬取，你可以跟着网上的教程学习模拟登录一个网站，模拟打卡之类的，爬个豆瓣的电影、书籍之类的。通过不断地练习，从遇到问题到解决问题，这样的收获看书没法比拟的。
爬虫常用库urllib、urlib2（Python中的urllib）python内建的网络请求库urllib3：线程安全的HTTP网络请求库requests：使用最广泛的网络请求库，兼容py2和py3grequests：异步的requestsBeautifulSoup：HTML、XML操作解析库lxml：另一种处理 HTML、XML的方式tornado：异步网络框架Gevent：异步网络框架Scrapy：最流行的爬虫框架pyspider：爬虫框架xmltodict：xml转换成字典pyquery：像jQuery一样操作HTMLJieba ：分词SQLAlchemy：ORM框架celery ：消息队列rq：简单消息队列python-goose ：从HTML中提取文本书籍《图解HTTP》《HTTP权威指南》《计算机网络：自顶向下方法》《用Python写网络爬虫》《Python网络数据采集》《精通正则表达式》《Python入门到实践》《自己动手写网络爬虫》《Crypto101》《图解密码技术》教程Python爬虫学习系列教程Python入门网络爬虫之精华版Python网络爬虫爬虫入门系列来自天善智能社区专家刘志军老师的回答。
最后打个广告哈，推荐几个天善学院爬虫的课程：
Python网络爬虫实战（全网超5W人学习，好评率100%）
本Python 网络爬虫课程将教授如何用Python抓取、清理、储存网络数据，透过实际案例示范，传授如何定义数据产品、从网络萃取与清理数据、数据库储存、并进行初步数据分析的基础方法，让大数据分析不再只是纸上谈兵。
讲师介绍：
丘祐玮(DavidChiu) – 大数软件(LargitData)创办人，是一位致力于提供舆情分析服务的创业者与数据科学家，熟悉Hadoop,
Spark 等巨量数据平台，及擅长使用R,
Python与机器学习技术进行数据分析。曾任多家上市公司顾问及担任知名大数据应用程序竞赛的评审，自身着有Machine
Learning With R Cookbook [Packt] 与 R Cookbook [Packt] 二书
课程链接：https://edu.hellobi.com/course/81
Python3爬虫三大案例实战分享
主讲导师：
崔庆才，北航硕士，Python技术控，百万级热度爬文博主。喜欢钻研，热爱生活，乐于分享。
课程介绍：
Python3爬虫三大案例实战分享：猫眼电影、今日头条街拍美图、淘宝美食
个人博客：静觅 | http://cuiqingcai.com/
天善智能课程链接：https://edu.hellobi.com/course/156
祝大家学有所成！