Python爬蟲

python官方介紹

Python是一款非常熱門的電腦編程軟件，Python規(guī)定了一個Python語法規(guī)則，實現(xiàn)了Python語法的解釋程序就成為了Python的解釋器，用的比較多的是C版本的Python，也就是使用c語言實現(xiàn)的Python解釋器。

二、Python爬蟲架構(gòu)

Python 爬蟲架構(gòu)主要由五個部分組成，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應(yīng)用程序（爬取的有價值數(shù)據(jù)）。

調(diào)度器：相當(dāng)于一臺電腦的CPU，主要負(fù)責(zé)調(diào)度URL管理器、下載器、解析器之間的協(xié)調(diào)工作。

URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復(fù)抓取URL和循環(huán)抓取URL，實現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫來實現(xiàn)。

網(wǎng)頁下載器：通過傳入一個URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個字符串，網(wǎng)頁下載器有urllib2（Python官方基礎(chǔ)模塊）包括需要登錄、代理、和cookie，requests(第三方包)

網(wǎng)頁解析器：將一個網(wǎng)頁字符串進(jìn)行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據(jù)DOM樹的解析方式來解析。網(wǎng)頁解析器有正則表達(dá)式（直觀，將網(wǎng)頁轉(zhuǎn)成字符串通過模糊匹配的方式來提取有價值的信息，當(dāng)文檔比較復(fù)雜的時候，該方法提取數(shù)據(jù)的時候就會非常的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可以使用Python自帶的html.parser進(jìn)行解析，也可以使用lxml進(jìn)行解析，相對于其他幾種來說要強(qiáng)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 樹的方式進(jìn)行解析的。

應(yīng)用程序：就是從網(wǎng)頁中提取的有用數(shù)據(jù)組成的一個應(yīng)用。

對于初學(xué)者而言，入門教程和 Python 語言參考可能是大家最需要的。其中入門教程非正式地介紹了 Python 語言的基本概念和功能。讀者最好在閱讀時準(zhǔn)備一個 Python 解釋器進(jìn)行練習(xí)，不過所有的例子都是相互獨(dú)立的，所以這個教程也可以離線閱讀。

功能特點(diǎn)

Python爬蟲技術(shù)是非常強(qiáng)大的，而且速度很快

Python爬蟲技術(shù)是友好的，容易學(xué)習(xí)

Python新聞組被稱為友好的人之一。狂熱的開發(fā)人員和用戶社區(qū)維護(hù)一個 wiki，主辦國際和地方 會議，運(yùn)行開發(fā)沖刺，并對在線代碼存儲庫做出貢獻(xiàn)。

Python還附帶了完整的文檔，它們都集成到語言和單獨(dú)的網(wǎng)頁中。在線教程的目標(biāo)是 經(jīng)驗豐富的程序員和 新手。所有這些都旨在使您快速生產(chǎn)。書籍的可用性完成了學(xué)習(xí)包。

Python核心編程軟件是開放的

Python核心編程軟件實現(xiàn)是一個開源許可證，使其免費(fèi)使用和分發(fā)，即使是商業(yè)用途。在Python軟件的許可通過施用的Python軟件基金會。

基本的爬蟲工作原理

基本的http抓取工具，scrapy

Bloom Filter: Bloom Filters by Example

如果需要大規(guī)模網(wǎng)頁抓取，你需要學(xué)習(xí)分布式爬蟲的概念。其實沒那么玄乎，你只要學(xué)會怎樣維護(hù)一個所有集群機(jī)器能夠有效分享的分布式隊列就好。最簡單的實現(xiàn)是python-rq: https://github.com/nvie/rq

rq和Scrapy的結(jié)合：darkrho/scrapy-redis · GitHub

后續(xù)處理，網(wǎng)頁析取(grangier/python-goose · GitHub)，存儲(Mongodb)