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
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。
写在最后
今天的文章就到这里,如果你觉得写的不错,可以动动小手给博主一个免费的关注和点赞👍;如果你觉得存在问题的话,欢迎在下方评论区指出和讨论。谢谢观看,你的支持就是我前进的动力!