pyhton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、什么是搜索引擎
搜索引擎:核心模块一般包括爬虫、索引、检索和排序等,同时可添加其他一系列辅助模块,以为用户创造更好的网络使用环境。
从功能和原理上搜索引擎大致被分为四大类:
- 全文搜索引擎
- 元搜索引擎
- 垂直搜索引擎
- 目录搜索引擎
三、爬虫与搜索引擎的区别
与其说区别,不如说,它们之前是何关系。
直截了当了说,爬虫技术是构建搜索引擎最核心的一环,是它成就了现在的百度、谷歌、必应等主流的搜索引擎。
四、Python爬虫架构
Python 爬虫架构主要由五个部分组成:
- 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
从网页中提取的有用数据组成的一个应用。
在python编程语言中,调度器的角色就是让整个爬虫能井条有序的执行。