Python爬虫：手把手教你写迷你爬虫架构

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：我爱学Python

 

语言&环境

语言：继续用Python开路！

 

 

 

 

一个迷你框架

下面以比较典型的通用爬虫为例，分析其工程要点，设计并实现一个迷你框架。架构图如下：

 

代码结构：

 

• config_load.py 配置文件加载
• crawl_thread.py 爬取线程
• mini_spider.py 主线程
• spider.conf 配置文件
• url_table.py url队列、url表
• urls.txt 种子url集合
• webpage_parse.py 网页分析
• webpage_save.py 网页存储
• 看看配置文件里有什么内容：
• spider.conf

 

 

 

 

 

 

Step 3. 记录哪些网页已经下载过的小本本——URL表。

在互联网上，一个网页可能被多个网页中的超链接所指向。这样在遍历互联网这张图的时候，这个网页可能被多次访问到。为了防止一个网页被下载和解析多次，需要一个URL表记录哪些网页已经下载过。再遇到这个网页的时候，我们就可以跳过它。

crawl_thread.py

 

 

 

 

Step 5. 页面分析模块

从网页中解析出URLs或者其他有用的数据。这个是上期重点介绍的，可以参考之前的代码。

Step 6. 页面存储模块

保存页面的模块，目前将文件保存为文件，以后可以扩展出多种存储方式，如mysql，mongodb，hbase等等。

webpage_save.py

 

写到这里，整个框架已经清晰的呈现在大家眼前了，千万不要小看它，不管多么复杂的框架都是在这些基本要素上扩展出来的。