课程链接Python开发简单爬虫
0.必要说明
我的java版本1.8,python版本3.6,eclipse版本4.5,BeautfilSoup版本4。
视频中用到的python版本2.7。
有几个坑需要注意:
- python3.6不支持urllib2。而是换位:urllib。
- 百度百科页面模式变了,所以我们爬的话需要改变策略。
1.爬虫简介
爬虫:一段自动抓取互联网信息的程序 互联网由各种各样的网页组成,每个网页都有对应的url。一个Url上又能指向其他url。这种url之间相互的指向关系,就形成了一个网状。爬虫是设置了主体,设置了目标自动从互联网上获取我们需要的数据。它可以从一个url出发,到达所有与他相关的url。并且从每个页面提取出我们需要的数据也就是说,他是自动访问互联网并且提取数据的程序。
爬虫价值?互联网信息,为我所用!
eg.新闻聚合阅读器,最爆笑故事app,图书价格对比,技术大全。
2.简单爬虫架构
爬虫调度端(启动爬虫,停止爬虫,监事爬虫运行情况
爬虫:
- URL管理器:对将要爬取的url和已经爬取过的url进行管理。从中可以我们可以取出一个带爬取的url,传送给网页下载器。
- 网页下载器:会将指定的网页下载下载存储成一个字符串。这个字符串回传送给网页解析器。
- 网页解析器:会解析出有价值的数据;该页面被解析出的url将被补充进URL管理器。
运行流程: