爬虫一般是指网络资源的抓取,由于Python的脚本特性,易于配置对字符的处理非常灵活,Python有丰富的网络抓取模块,因此两者经常联系在一起Python就被叫作爬虫。爬虫可以抓取某个网站或者某个应用的内容提取有用的价值信息。还可以模拟用户在浏览器或者app应用上的操作行为,实现程序自动化。
Python为什么叫爬虫?
Python作为一门编程语言而言纯粹的自由软件,以简洁清晰的语法和强制使用空白符进行语句缩进的特点从而深受程序员的喜爱。用不同编程语言完成一个任务:c语言一共要写1000行代码;java要写100行;Python则只需要写20行的代码。若使用Python来完成编程任务编写代码量少,代码简洁简短且可读性强,一个团队进行开发的时候编写代码效率会快,开发效率高让工作变得加。
Python非常适合开发网络爬虫的编程语言,相比于其他静态编程语言,Python抓取网页文档的接口简洁;相比于其他动态脚本语言,Python的urllib2包提供了较为完整的访问网页文档的API。Python中有的第三方包可以实现网页抓取,并可用极短的代码完成网页的标签过滤功能。
Python爬虫的构架组成:
Python爬虫的构架组成
爬虫构架
1、URL管理器:管理待爬取的url集合和已爬取的url集合,传送待爬取的url给网页下载器;
2、网页下载器:爬取url对应的网页,存储成字符串,传送给网页解析器;