Python爬虫介绍

Python爬虫介绍

 

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咱们有价值的信息；

 

Python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）

1）调度器：

至关于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工做；

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：经过内存、数据库、缓存数据来实现；

3）网页下载器：

经过传入一个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urllib（Python官方基础模块），包括须要登陆、代理和Cookie；还有requests（第三方包）；

4）网页解析器：

将一个网页字符串进行解析，能够按照咱们的要求来提取出咱们有用的信息，也能够根据DOM树的解析方式来解析；

网页解析器有：

1）正则表达式：

    直观，将网页转成字符串经过模糊匹配的方式来提取有价值的信息；

    但当文档比较复杂的时候，该方法提取数据的时候就会很是困难；

2）html.parser：Python自带的；

3）beautifulsoup：第三方插件，能够使用Python自带的html.parser进行解析，也能够使用lxml进行解析；

4）lxml：第三方插件，能够解析xml和HTML；

html.parser和beautifulsoup，以及lxml都是以DOM树的方式进行解析的；

5）…

5）应用程序：

就是从网页提取的有用数据组成的一个应用；

调度器工做图解：

示例：

urllib实现下载网页内容：（PY3）

#!/usr/bin/python
# -*- coding:utf-8 -*-

import urllib.request
import urllib

url = 'http://www.baidu.com'
response = urllib.request.urlopen(url)
content = response.read().decode('utf-8')
print(content)

（content是html文档太长就不附在这里了）

 

其余的后续会有示例，咱们慢慢理解；

 

参考连接：

菜鸟教程《Python爬虫介绍》