一、关于爬虫
爬虫是按照一定规则自动抓取万维网信息的程序或脚本,运行速度极快。因此可以使用爬虫来收集大量数据。
使用Python作为爬虫的开发语言,因为Python语法简单、入门容易。
Python爬虫架构主要由五个部分组成(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))
1)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。
2)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。
3)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)
4)网页解析器:将一个网页字符串进行解析,可以按照要求来提取有用的信息,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。
5)应用程序:就是从网页中提取的有用数据组成的一个应用。
二、爬虫开发
(1)语言框架的使用
(2)思想、流程、调度
三、Python安装
官网下载,简单安装即可。
四、开发环境
任何编辑器都可以用来开发Python程序,但一个优秀的集成开发环境能大大提高开发效率。
(1)PyCharm的安装
在官网下的2018版
https://blog.csdn.net/pdcfighting/article/details/80297499
(2)激活
我用的是激活码,亲测有效。
(3)运行
当然是HelloWorld了,前面的安装教程中有,看个图:
(2)第三方库的安装
(一)打开PyCharm,点击File,选择Setting
(二)点击“+”,搜索需要安装的库
(三)选择点击安装
(四)安装成功