Python爬虫入门笔记:一个简单的爬虫架构
来源:互联网 发布:mac display color 编辑:程序博客网 时间:2024/04/29 22:48
上次我们从对爬虫进行简单的介绍,今天我们引入一个简单爬虫的技术架构,解释爬虫技术架构中的几个模块,对爬虫先有一个整体的认知,方便对爬虫的理解和后面的编程。
简单的爬虫架构:URL管理、网页下载、网页解析、输出部分,如下图:
1、URL管理器:防止重复抓取、防止循环抓取;URL是爬虫爬取的入口和桥梁,除了入口URL外,剩下的URL我们需要在网页上获取并统一管理,防止重复抓取和防止循环抓取。
2、网页下载器:将互联网上URL对应的网页下载到本地的工具,这是一个爬虫的核心部分之一。
Python网页下载器的种类:urllib2(python 官方基础模块)、requests(第三方包更强大)
urllib2下载网页的方法
1).url ——> urllib2.urlopen(url)
2).url data header ——>urllib2.Request ——> urllib2.urlopen(request)
3).特殊情景处理
3、网页解析器:从网页中提取有价值的数据的工具,这是爬虫的另一个核心部分。
Html网页字符串——>网页解析器——>价值数据/新URL列表
Python解析器的种类:正则表达式、html.parser、Beautiful Soup、lxml(Xpath)
4、输出部分:把爬取的内容输出到指定的文件或文件夹,如text文件、csv文件、mongodb中等等,方便后续数据处理。
好了,本篇主要是讲了一个简单的爬虫架构,让打家对Python爬虫有个大观的印象,后面我们继续探讨!
- Python爬虫入门笔记:一个简单的爬虫架构
- python爬虫入门简单爬虫
- Python爬虫入门架构
- 一个简单的Python爬虫
- python爬虫简单入门
- python爬虫入门笔记
- Python爬虫入门笔记
- python网络爬虫的简单架构
- 基于Python的一个简单爬虫(糗事百科爬虫)
- python爬虫入门教程(二):开始一个简单的爬虫
- Python入门简单的静态网页爬虫
- Python爬虫入门笔记:爬虫简介
- 一个简单的python爬虫程序
- 一个下载pdf的简单python爬虫
- python实现一个简单的爬虫
- 一个简单的python爬虫程序
- python一个简单的小爬虫
- 一个简单的python爬虫程序
- 解决 /System/Library/Frameworks/Ruby.framework/Versions/2.0/usr/lib/ruby/2.0.0/universal-darwi
- 【OpenCV】访问Mat图像中每个像素的值
- Linux Shell脚本编程--变量$#,$@,$*,$?,$0,$1,$2的含义解释
- Linxu操作笔记
- 如何不让键盘挡住UITextField控件
- Python爬虫入门笔记:一个简单的爬虫架构
- VS中的路径宏 vc++中OutDir、ProjectDir、SolutionDir各种路径
- node.js + MongoDB + AngularJS - 4 事件、监听器、定时器、回调
- 运用腾讯云实现QQ语音通话
- HDU 4497 GCD and LCM (素数筛选+算术基本定理)
- 将C语言的声明翻译成通俗的语言
- Java 8 新特性:接口的静态方法和默认方法 ——诺诺"涂鸦"记忆
- C/C++自动生成makefile工具 supermake
- javascript常用数组算法总结