Python爬虫---理论基础

其实爬虫没有大家想象的那么复杂，有时候也就是几行代码的事儿，千万不要把自己吓倒了。这篇就清晰地讲解一下利用Python爬虫的理论基础。
首先说明爬虫分为三个步骤，也就需要用到三个工具。

1. 利用网页下载器将网页的源码等资源下载。
2. 利用URL管理器管理下载下来的URL
3. 利用网页解析器解析需要的URL，进而进行匹配。

网页下载器

网页下载器常用的有两个。一个是Python自带的urllib2模块；另一个是第三方控件requests。选用哪个其实差异不大，下一篇将会进行实践操作举例。

URL管理器

url管理器有三大类。

1. 内存：以set形式存储在内存中
2. 存储在关系型数据库mysql等
3. 缓存数据库redis中

网页解析器

网页解析器一共有四类：
1.正则表达式，不过对于太复杂的匹配就会有些难度，属于模糊匹配。
2.html.parser，这是python自带的解析工具。
3.Beautiful Soup，一种第三方控件，顾名思义，美味的汤，用起来确实很方便，很强大。
4.lxml（apt.xml），第三方控件。
以上的这些全部属于结构化解析（DOM树）
什么式结构化解析（DOM）？
Document Object Model(DOM)是一种树的形式。

Beautiful Soup的语法
html网页—>创建BeautifulSoup对象—>搜索节点 find_all（）/find（）—>访问节点，名称，属性，文字等……
Beautiful Soup官方文档