「Python爬虫」最细致的讲解Python爬虫之Python爬虫入门

最新推荐文章于 2024-07-13 21:34:41 发布

Python_小明

最新推荐文章于 2024-07-13 21:34:41 发布

阅读量469

点赞数

文章标签： python 爬虫开发语言

本文链接：https://blog.csdn.net/Python_2332/article/details/130982303

版权

本文详细介绍了Python爬虫的基本概念，包括爬虫的架构、类型和目的。讲解了调度器、URL管理器、下载器和解析器的作用。介绍了Python中的requests库用于发送请求，以及BeautifulSoup库进行网页解析。此外，还提到了爬虫的准备工作，如选择适当的库和框架，以及爬虫可能涉及的各种目标类型。

摘要由CSDN通过智能技术生成

一、认识爬虫

1.1、什么是爬虫？

 爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

1.2、Python爬虫架构

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。

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。

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)

网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，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