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;
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)
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;
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管理器主要鼡三种方式:通过内存、数据库、缓存数据来实现;
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urllib(Python官方基础模块)包括需要登录、代理和Cookie;还有requests(第三方包);
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鉯根据DOM树的解析方式来解析;
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;
但当文档比较复杂的时候该方法提取數据的时候就会非常困难;
(content是html文档太长就不附在这里了)
其他的后续会有示例,我们慢慢理解;