文章目录
一. 认识网络爬虫
说起网络爬虫,人们常常会用这样一个比喻:如果把互联网比喻成一张网,那么网络爬虫就可以认为是一个在网上爬来爬去的小虫子,它通过网页的链接地址来寻找网页,通过特定的搜索算法来确定路线,通常从网站的某一个页面开始,读取网页的内容,找到在网页中的其它链接地址,然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有网页都抓取完为止。
网络爬虫又称网络蜘蛛、网络蚂蚁、网络机器人等,可以自动化列兰网络中的信息,当然浏览信息的时候需要按照我们制定的规则进行,这些规则我们称之为网络爬虫算法。使用Python可以很方便地编写出爬虫程序,进行互联网信息的自动化检索。
二. 网络爬虫的组成
网络爬虫由控制节点、爬虫节点、资源库构成。如下图所示:
可以看到,网络爬虫中可以有多个控制节点,每个控制节点下可以有多个爬虫节点,控制节点之间可以互相通信,同时,控制节点和其下的各爬虫节点之间也可以进行互相通信,属于同一个控制节点下的各个爬虫节点间,亦可以互相通信。
- 控制节点:也叫作爬虫的中央控制器,主要负责根据URL地址分配线程,并调用爬虫节点进行具体的爬行
- 爬虫节点:爬虫节点会按照相关算法,对网页进行具体的爬行,主要包括下载网页以及对网页的文本进行处理,爬行后会将对应的爬行结果存储到对应的资源库