版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领
文档简介
郑美容01目录什么是爬虫Python爬虫架构爬虫的基本原理0203Python爬虫1什么是爬虫爬虫又被称为网络蜘蛛，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。Python爬虫架构1.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。如图所示，调度器协调工作流程。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）。Python爬虫架构2.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。3.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)。Python爬虫架构4.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。5.应用程序：就是从网页中提取的有用数据组成的一个应用。爬虫的基本原理1.网页请求的过程（1）Request（请求）：每一个展示在用户面前的网页都必须经过这一步，也就是向服务器发送访问请求。（2）Response（响应）：服务器在接收到用户的请求后，会验证请求的有效性，然后向用户（客户端）发送响应的内容，客户端接收服务器响应的内容，将内容展示出来，就是我们所熟悉的网页请求，如图所示。爬虫的基本原理2.网页请求的方式（1）GET：最常见的方式，一般用于获取或者查询资源信息，也是大多数网站使用的方式，响应速度快。（2）POST：相比GET方式，
温馨提示
- 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 保安人员基础知识培训
- 2024年CFA重要章节与试题及答案
- 2024年特许金融分析师考试新变化及答案
- 八年级上册《分式的加减》课件与练习
- CBT-I治疗失眠的疗效分析
- 云南省文山壮族苗族自治州砚山县第一中学2024-2025学年高一下学期2月月考历史试题(含解析)
- 施工安全教育
- 人教版历史：古代埃及
- 2024年特许金融分析师考试学术研究试题及答案
- 2024年特许金融分析师考试高级题型试题及答案
- 密码学 移位密码、仿射密码
- 《铁路工程全液压可控旋挖扩底灌注桩技术规程》
- 虚拟现实的构建毕业论文
- 广告牌安装安全保证措施方案
- 第二章第3节中国的河流
- 急性气管支气管炎临床路径
- 《古汉语通论：介词、连词》PPT课件
- 十字柱制作工艺及要求
- 六西格玛绿带题库
- 冀教版八年级数学上册15.1《二次根式》 课件 2
- 岛津gc2014 gcsolution培训教材
评论
0/150
提交评论