爬虫首印象
定义: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
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:就是从网页中提取的有用数据组成的一个应用。
1
后续爬虫项目需要的知识点:合理控制程序执行流程
先看如下代码:
def main(var):
print("hiya", var)
main(1)
if __name__ == "__main__":
main(2)
执行结果是:
hiya 1
hiya 2
再看一个代码示例
print ("test1")
def Fun():
print ("Fun")
def main():
print ("main")
Fun()
if __name__ == '__main__':
main()
执行结果是:
test1
main
Fun
python是解释型语言,执行流程通过如下规则判断:
一段python程序以py文件运行时,文件属性__name__为main;作为模块导入时,文件属性__name__为文件名(模块名)
Python中首先执行最先出现的非函数定义和非类定义的没有缩进的代码
后续我们都进行当前执行程序的判断,在main中进行整个程序的逻辑控制
if __name__ == '__main__':
图片来自菜鸟教程 ↩︎