Python爬虫入门--了解爬虫

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。

1、Python爬虫架构
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、html.parser、beautifulsoup、lxml，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。

2.1、爬虫类型
•小爬：各种库来爬
•中爬：框架
•大爬：搜索引擎

2.2、目的
•解决数据来源的问题
•做行业分析
•完成自动化操作
•做搜索引擎