python爬虫的原理以及步骤-Python爬虫程序架构和运行流程原理解析

1 前言

Python开发网络爬虫获取网页数据的基本流程为:

发起请求

通过URL向服务器发起request请求,请求可以包含额外的header信息。

获取响应内容

服务器正常响应,将会收到一个response,即为所请求的网页内容,或许包含HTML,Json字符串或者二进制的数据(视频、图片)等。

解析内容

如果是HTML代码,则可以使用网页解析器进行解析,如果是Json数据,则可以转换成Json对象进行解析,如果是二进制的数据,则可以保存到文件做进一步处理。

保存数据

可以保存到本地文件,也可以保存到数据库(MySQL,Redis,MongoDB等)。

2020030913203617.png

2 爬虫程序架构及运行流程

python爬虫的原理以及步骤-Python爬虫程序架构和运行流程原理解析_第1张图片

网络爬虫程序框架主要包括以下五大模块:

爬虫调度器

URL管理器

HTML下载器

HTML解析器

数据存储器

五大模块功能如下所示:

爬虫调度器:主要负责统筹其它四个模块的协调工作。

URL管理器:负责管理URL链接,维护已经爬取的URL集合和未爬取的URL集合,提供获取新URL链接的接口

你可能感兴趣的:(python爬虫的原理以及步骤-Python爬虫程序架构和运行流程原理解析)