网站改版建设 有哪些内容,中国域名后缀,郑州住房和城乡建设官网,wordpress图片空间爬虫简介(学习日志第一篇)一、爬虫介绍爬虫#xff1a;一段自动抓取互联网信息的程序#xff0c;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#xff0c;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…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cookierequests(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
