python爬虫怎么做_python爬虫怎么做？

Python 爬虫架构首要由五个局部组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序(爬取的有价值数据)。

调度器：相当于一台电脑的CPU，首要担任调度URL管理器、下载器、解析器之间的调和作业。

URL管理器：包含待爬取的URL地址和已爬取的URL地址，避免反复抓取URL和循环抓取URL，终了URL管理器首要用三种方法，经过内存、数据库、缓存数据库来终了。

网页下载器：经过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2(Python官方根底模块)包含需求登录、署理、和cookie，requests(第三方包)

网页解析器：将一个网页字符串停止解析，可以按照我们的请求来提取出我们有用的信息，也可以依据DOM树的解析方法来解析。网页解析器有正则表达式(直观，将网页转成字符串经过模糊匹配的方法来提取有价值的信息，当文档比拟复杂的时分，该方法提取数据的时分就会十分的艰难)、html.parser(Python自带的)、beautifulsoup(第三方插件，可以运用Python自带的html.parser停止解析，也可以运用lxml停止解析，相关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 树的方法停止解析的。