爬虫简介(学习日志第一篇)

一、爬虫介绍

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、Pyyhon爬虫架构

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序(爬取的有价值数据)。

调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。

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。

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)

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。

应用程序：就是从网页中提取的有用数据组成的一个应用。

图示如下：

调度器是如何协调工作的

主要流程：首先调度器向url管理器询问是否有待爬取的url地址，如果有，则rul管理器向调度器返回一个要爬去的url地址，调度器将传入的url地址发送个下载器，下载器接收到后，开始下载网页，并将下载好的网页内容返回回调度器，调度器再将网页内容传送给解析器，解析器对网页内容进行分析，将有用的信息和该页面中的url地址再传送回调度器，调度器将url列表传给url管理器进行保存，将有价值的信息集合成一个应用，这就是一个完整爬虫的整个流程。

————信息主要转自《菜鸟教程》

本次更新于2018-9-11，更新人：小尹