一段抓取互联网信息的程序
工具/原料
python环境
爬虫简介
一段抓取互联网信息的程序
爬虫价值
互联网数据,为我所用可以爬去各种网络内容对自己的信息进行扩展或者扩充。
简单爬虫架构
1
爬虫调度端
2
架构-运行流程1. 调度器2. URL管理器3. 下载器4. 解析器5. 应用
具体详细
1
URL:管理器管理待抓取URL集合和已抓取URL集合--防止重复抓取、防止循环抓取
2
实现方式:内存:1. python内存2. MySQL3. 缓存数据库
3
网页下载器将互联网上URL对应的网页下载到本地的工具(1)Python有哪几种下载器?Urlib2 python官方基础模块Requests 第三方包更强大
4
网页下载器 -urllib2(1) 最简洁的读取给定URL->urllib2.urlopen(url)
5
(2) 添加data、http header
6
(3) 添加特殊情景的处理器
代码实现
上一篇:怎样优化网站