python爬蟲是什么(python爬蟲指的是什么意思)

Python爬蟲即使用Python程序開發的網絡爬蟲(網頁蜘蛛,網絡機器人),是一種按照一定的規則,自動地抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。其實通俗的講就是通過程序去獲取 web 頁面上自己想要的數據,也就是自動抓取數據。

網絡爬蟲(英語:web crawler),也叫網絡蜘蛛(spider),是一種用來自動瀏覽萬維網的網絡機器人。其目的一般為編纂網絡索引。

網絡搜索引擎等站點通過爬蟲軟件更新自身的網站內容或其對其他網站的索引。網絡爬蟲可以將自己所訪問的頁面保存下來,以便搜索引擎事后生成索引供用戶搜索。

爬蟲訪問網站的過程會消耗目標系統資源。不少網絡系統并不默許爬蟲工作。因此在訪問大量頁面時,爬蟲需要考慮到規劃、負載,還需要講“禮貌”。 不愿意被爬蟲訪問、被爬蟲主人知曉的公開站點可以使用robots.txt文件之類的方法避免訪問。這個文件可以要求機器人只對網站的一部分進行索引,或完全不作處理。

互聯網上的頁面極多,即使是最大的爬蟲系統也無法做出完整的索引。因此在公元2000年之前的萬維網出現初期,搜索引擎經常找不到多少相關結果?，F在的搜索引擎在這方面已經進步很多,能夠即刻給出高質量結果。

爬蟲還可以驗證超鏈接和HTML代碼,用于網絡抓取。

Python 爬蟲

Python 爬蟲架構

Python 爬蟲架構主要由五個部分組成,分別是調度器、URL 管理器、網頁下載器、網頁解析器、應用程序(爬取的有價值數據)。

調度器:相當于一臺電腦的 CPU,主要負責調度 URL 管理器、下載器、解析器之間的協調工作。

URL 管理器:包括待爬取的 URL 地址和已爬取的 URL 地址,防止重復抓取 URL 和循環抓取 URL,實現 URL 管理器主要用三種方式,通過內存、數據庫、緩存數據庫來實現。

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

網頁解析器:將一個網頁字符串進行解析,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 DOM 樹的解析方式來解析。網頁解析器有正則表達式(直觀,將網頁轉成字符串通過模糊匹配的方式來提取有價值的信息,當文檔比較復雜的時候,該方法提取數據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 進行解析,也可以使用 lxml 進行解析,相對于其他幾種來說要強大一些)、lxml(第三方插件,可以解析 xml 和 HTML),html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。

應用程序:就是從網頁中提取的有用數據組成的一個應用。

爬蟲可以做什么?

你可以用爬蟲爬圖片,爬取視頻等等你想要爬取的數據,只要你能通過瀏覽器訪問的數據都可以通過爬蟲獲取。

爬蟲的本質是什么?

模擬瀏覽器打開網頁,獲取網頁中我們想要的那部分數據

瀏覽器打開網頁的過程:

當你在瀏覽器中輸入地址后,經過 DNS 服務器找到服務器主機,向服務器發送一個請求,服務器經過解析后發送給用戶瀏覽器結果,包括 html,js,css 等文件內容,瀏覽器解析出來最后呈現給用戶在瀏覽器上看到的結果

所以用戶看到的瀏覽器的結果就是由 HTML 代碼構成的,我們爬蟲就是為了獲取這些內容,通過分析和過濾 html 代碼,從中獲取我們想要資源。