Python爬虫(1)

Python爬虫介绍

一、什么是爬虫


爬虫: 一段自动抓取互联网信息的程序,从互联网上抓取对于我们有价值的信息。


二、Python爬虫架构


Python爬虫架构主要由以下五个部分组成:

  1. 调度器: 主要负责调度URL管理器、下载器、解析器之间的协调工作;
  2. URL管理器: 包括待爬取的URL地址和已爬取的URL地址,防止重复抓取URL和循环抓取URL,实现URL管理器主要用三种方式,通过内存、数据库、缓存数据库来实现;
  3. 网页下载器: 通过传入一个URL地址来下载网页,将网页转换成一个字符串,网页下载器有urllib2(Python官方基础模块)包括需要登录、代理、和cookie,requests(第三方包);
  4. 网页解析器: 将一个网页字符串进行解析,可以按照我们的要求来提取出我们有用的信息,也可以根据DOM树的解析方式来解析。网页解析器有正则表达式(直观,将网页转成字符串通过模糊匹配的方式来提取有价值的信息,当文档比较复杂的时候,该方法提取数据的时候就会非常的困难)、html.parser(Python自带的)、beautifulsoup(第三方插件,可以使用Python自带的html.parser进行解析,也可以使用lxml进行解析,相对于其他几种来说要强大一些)、lxml(第三方插件,可以解析 xml 和 HTML),html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的;
  5. 应用程序: 从网页中提取的有用数据组成的一个应用。

Python架构


未完待续….

欲知后事如何,请看下期分解!


本文标题:Python爬虫(1)

文章作者:梦屿

发布时间:2020年06月28日 - 11:22:28

最后更新:2020年06月28日 - 11:47:58

原始链接:http://yexihe-jpg.github.io/2020/06/28/Python%E7%88%AC%E8%99%AB%EF%BC%881%EF%BC%89/

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

-------------------本文结束 感谢您的阅读-------------------