Python学习21天学习挑战赛Day12~13之初识爬虫-CSDN博客

本文链接：https://blog.csdn.net/kevinlegion/article/details/126322384

活动地址：CSDN21天学习挑战赛

作者简介：大家好我是Apathfinder，目前是一名在校大学生，软件工程专业，记录学习路上的点点滴滴。
个人主页：Apathfinder
本文专栏：Python学习

目录

前言

一、爬虫简介

1.什么是爬虫

2.爬虫分类

3.Python爬虫架构

1、调度器

2、URL管理器

3、网页下载器

4、网页解析器

5、数据存储器

4.爬虫原理

1.网页请求过程

        1)Request (发送请求)

        2)Response(响应请求)

2.网页请求方式

        1)GET

        2)POST

5.为什么用Python写爬虫

写在最后

前言

本文是对Python爬虫以及其基本原理、涉及到的技术进行介绍。

一、爬虫简介

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。

我们所熟悉的一系列搜索引擎都是大型的网络爬虫，比如百度、搜狗、360浏览器、谷歌搜索等等。每个搜索引擎都拥有自己的爬虫程序，比如 360 浏览器的爬虫称作 360Spider，百度的爬虫叫做 baiduspider。

2.爬虫分类

3.Python爬虫架构

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、数据存储器（存储爬取的有价值数据）。

1、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。

2、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。

3、网页下载器

通过传入URL地址来下载网页，将网页转换成字符串，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)

4、网页解析器

将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 DOM 树的方式进行解析的。

5、数据存储器

即将网页中爬取的有用数据存储起来的一个应用。

4.爬虫原理

网页请求的过程分为两个环节：

1.网页请求过程

1)Request (发送请求)

每一个展示在用户面前的网页都必须经过这一步，也就是向服务器发送访问请求。

2)Response(响应请求)

服务器在接收到用户的请求后，会验证请求的有效性，然后向用户（客户端）发送响应的内容，客户端接收服务器响应的内容，将内容展示出来，就是我们所熟悉的网页请求，如图所示：

2.网页请求方式

1)GET

最常见的方式，一般用于获取或者查询资源信息，也是大多数网站使用的方式，响应速度快。

2)POST

相比 GET 方式，多了以表单形式上传参数的功能，因此除查询信息外，还可以修改信息。

5.为什么用Python写爬虫

不只是 Python 这一种语言可以写爬虫， PHP、Java、C/C++ 都可以用来写爬虫程序，但是相比较而言 Python 做爬虫是最简单的。

PHP：对多线程、异步支持不是很好，并发处理能力较弱；
Java ：语言本身很笨重，代码量很大，因此它对于初学者而言，入门的门槛较高；
C/C++：运行效率虽然很高，但是学习和开发成本高。写一个小型的爬虫程序就可能花费很长的时间
Python ：其语法优美、代码简洁、开发效率高、支持多个爬虫模块，Python 的请求模块和解析模块丰熟，并且还提供了强大的 Scrapy 框架，让编写爬虫程序变得更为简单。