爬虫与搜索引擎的区别/pyhton爬虫结构

一、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。

 百度的网络爬虫就叫做BaiduSpider

二、什么是搜索引擎

搜索引擎：核心模块一般包括爬虫、索引、检索和排序等，同时可添加其他一系列辅助模块，以为用户创造更好的网络使用环境。

从功能和原理上搜索引擎大致被分为三大类：

• 全文搜索引擎

数据来源为自动抓取的网页生成索引，得到的网站信息更及时。

通过从互联网上提取的各个网站的信息而建立的数据库中，检索与用户查询条件匹配的相关记录，然后按一定的排列顺序将结果返回给用户。

全文搜索无范围，就像百度那样直接打字上去搜索的

• 元搜索引擎

数据来源为其他搜索引擎获取结果，得到的网站信息数量更多。

在接受用户查询请求时，同时在其他多个引擎上进行搜索，并将结果返回给用户。

元搜索无范围，查找时会找出多种网站上的信息

• 目录搜索引擎

数据来源为人工收录分类的数据库，得到的网站质量更高。

通过现有收录的网站信息按目录分类的网站链接列表匹配，将匹配结果返回给用户。

目录搜索有范围，通过一条条的标签在本网内查找 

三、爬虫与搜索引擎的区别 

 与其说区别，不如说，它们之前是何关系。

直截了当了说，爬虫技术是构建搜索引擎最核心的一环，是它成就了现在的百度、谷歌、必应等主流的搜索引擎。

四、Python爬虫架构

Python 爬虫架构主要由五个部分组成：

• 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。

• 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。

• 网页下载器

通过传入一个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官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)

• 网页解析器

将一个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。

• 应用程序

从网页中提取的有用数据组成的一个应用。

在python编程语言中，调度器的角色就是让整个爬虫能井条有序的执行。