Python爬虫架构组成
1. URL管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器；
2. 网页下载器：爬取url对应的网页，存储成字符串，传送给网页解析器；
3. 网页解析器：解析出有价值的数据，存储下来，同时补充url到URL管理器。
Python爬虫工作原理
Python爬虫通过URL管理器，判断是否有待爬URL，如果有待爬URL，通过调度器进行传递给下载器，下载URL内容，并通过调度器传送给解析器，解析URL内容，并将价值数据和新URL列表通过调度器传递给应用程序，并输出价值信息的过程。
Python爬虫常用框架有：
grab：网络爬虫框架（基于pycurl/multicur）；
scrapy：网络爬虫框架（基于twisted），不支持Python3；
pyspider：一个强大的爬虫系统；
cola：一个分布式爬虫框架；
portia：基于Scrapy的可视化爬虫；
restkit：Python的HTTP资源工具包。它可以让你轻松地访问HTTP资源，并围绕它建立的对象；
demiurge：基于PyQuery的爬虫微框架。
Python爬虫应用领域广泛，在网络爬虫领域处于霸主位置，Scrapy、Request、BeautifuSoap、urlib等框架的应用，可以实现爬行自如的功能，只要您数据抓取想法，Python爬虫均可实现！
更多Python相关技术文章，请访问Python教程栏目进行学习！
下载本文