python爬虫是什么

别山人

爬虫是不是就是python?python和爬虫是一回事吗?
希望做过python爬虫的网友,解答下,谢谢!

  • 小P
  • 小P    采纳为最佳   2019-05-29 14:57:19 1楼

    爬虫和python不是一回事,只是python擅长做爬虫的工作(其实很多语言都可以做爬虫,比如PHP),所以人们习惯把python叫做爬虫。
    一. Python 爬虫定义:
    Python 爬虫即使用 Python 程序开发的网络爬虫(网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。其实通俗的讲就是通过程序去获取 web 页面上自己想要的数据,也就是自动抓取数据。

    p1.png

    二. Python 爬虫架构

    Python 爬虫架构主要由五个部分组成,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,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:就是从网页中提取的有用数据组成的一个应用。

    三. 爬虫的本质是什么?

    模拟浏览器打开网页,获取网页中我们想要的那部分数据

    四. 浏览器打开网页的过程:

    当你在浏览器中输入地址后,经过 DNS 服务器找到服务器主机,向服务器发送一个请求,服务器经过解析后发送给用户浏览器结果,包括 html,js,css 等文件内容,浏览器解析出来最后呈现给用户在浏览器上看到的结果

    所以用户看到的浏览器的结果就是由 HTML 代码构成的,我们爬虫就是为了获取这些内容,通过分析和过滤 html 代码,从中获取我们想要资源。

    相关推荐:

    python爬虫可以干什么?

    + 添加回复

  • 回复