主要内容包括:
1. 爬虫简介
2. 简单爬虫架构
3. URL管理器
4. 网页下载器(urllib2)
5.网页解析器(BeautifulSoup)
6.完整实例-爬取百度百科python相关的1000个页面数据
备注:本系列是观看慕课网《轻量级的爬虫开发》学习笔记,感兴趣的可以查看视频教程https://www.imooc.com/video/10676/0
一、爬虫简介
爬虫:一段自动抓取互联网信息的程序。
互联网是由一个个有指向关系的URL组成,正常情况下,人工的方式通过互联网的方式获取信息。当设定相关主题,通过程序的方式自动访问互联网上并提取信息这就是爬虫。
通过爬虫可以获取大量的互联网数据,经过分析这些数据,形成自己的产品、想法,从而创造价值。
二、Python简单爬虫架构
简单的爬虫架构包括爬虫调度端、URL管理器、网页下载器、网页解析器。
爬虫调度端用于启动、停止以及监视爬虫运行。URL管理器对将要爬取的和已经爬取的爬虫进行管理。网页下载器下载指定的URL,存储成一个字符串。网页解析器解析存储下来的字符串,如果解析出来的数据里包含指向其他的URL,又会将URL传送到URL管理器 。URL管理器、网页下载器以及网页解析器形成一个循环,从而可以爬取指定主题的所有URL。