1. 程式人生 > >入門|Python爬蟲架構介紹

入門|Python爬蟲架構介紹

大資料時代,海量資料的獲取離不開爬蟲技術。再加上代理IP的幫助,爬蟲技術的應用也就越來越廣泛。許多企業和個人開始學習爬蟲技術,而學習爬蟲技術首先要掌握爬蟲框架。
Python爬蟲架構主要由五個部分組成,分別是排程器、URL管理器、網頁下載器、網頁解析器、應用程式(爬取的有價值資料)。
排程器:相當於一臺電腦的CPU,主要負責排程URL管理器、下載器、解析器之間的協調工作。
URL管理器:包括待爬取的URL地址和已爬取的URL地址,防止重複抓取URL和迴圈抓取URL,實現URL管理器主要用三種方式,通過記憶體、資料庫、快取資料庫來實現。
網頁下載器:通過傳入一個URL地址來下載網頁,將網頁轉換成一個字串,網頁下載器有urllib2(Python官方基礎模組)包括需要登入、代理、和cookie,requests(第三方包)
網頁解析器:將一個網頁字串進行解析,可以按照我們的要求來提取出我們有用的資訊,也可以根據DOM樹的解析方式來解析。網頁解析器有正則表示式(直觀,將網頁轉成字串通過模糊匹配的方式來提取有價值的資訊,當文件比較複雜的時候,該方法提取資料的時候就會非常的困難)、html.parser(Python自帶的)、beautifulsoup(第三方外掛,可以使用Python自帶的html.parser進行解析,也可以使用lxml進行解析,相對於其他幾種來說要強大一些)、lxml(第三方外掛,可以解析xml和HTML),html.parser和beautifulsoup以及lxml都是以DOM樹的方式進行解析的。
應用程式:就是從網頁中提取的有用資料組成的一個應用。
下面用一個圖來解釋一下排程器是如何協調工作的
入門|Python爬蟲架構介紹


瞭解了Python爬蟲架構可以幫助我們更好的爬取資料,不過頻繁操作爬取可能會導致IP受限哦,所以得使用代理IP軟體哦~