一、URL管理器:对 将要爬取的URL 和 已经爬取过的URL 这两个数字的管理 【我们可以从URL管理器中可以取出一个 待爬取的URL;然后将该URL传送给网页下载器】
URL管理器可以支持的功能:
(1)可以支持添加新的URL链接到待爬取URL的集合中【在添加的同时,要判断待添加的URL链接是否已经存在集合中】
(2)可以支持从管理器中提取出一个想要爬取的URL链接【顺便判断管理器中是否还有想要爬取的URL】,爬取完之后,将该URL链接从待爬取集合转移到已爬取集合
二、网页下载器:会 将URL指定的网页 以html形式下载到本地,并存储成一个字符串 或本地文件【这个字符串会传送给网页解析器进行解析】
1、python中有以下两种下载器:
2、urllib2网页下载器的下载网页方式有:将url链接传给urllib2模块中的urlopen方法:urllib2.urlopen(url)[这只是其中一种]
三、网页解析器:一方面会解析初 有价值的数据;另一方面每一个网页都有很多指向其他网页的URL【这些URL被解析后,可以补充进URL管理器】