前言

爬蟲即網(wǎng)絡(luò)爬蟲，英文是Web Spider贴见。翻譯過來就是網(wǎng)絡(luò)上爬行的蜘蛛烘苹，如果把互聯(lián)網(wǎng)看作一張大網(wǎng)，那么爬蟲就是在大網(wǎng)上爬來爬去的蜘蛛片部，碰到想要的食物镣衡，就把他抓取出來。

我們在瀏覽器中輸入一個網(wǎng)址档悠，敲擊回車廊鸥，看到網(wǎng)站的頁面信息辖所。這就是瀏覽器請求了網(wǎng)站的服務(wù)器惰说，獲取到網(wǎng)絡(luò)資源。那么缘回，爬蟲也相當(dāng)于模擬瀏覽器發(fā)送請求吆视，獲得到HTML代碼。HTML代碼里通常包含了標(biāo)簽和文字信息酥宴，我們就從中提取到我們想要的信息啦吧。

通常爬蟲是從某個網(wǎng)站的某個頁面開始，爬取這個頁面的內(nèi)容幅虑，找到網(wǎng)頁中的其他鏈接地址丰滑，然后從這個地址爬到下一個頁面，這樣一直不停的爬下去倒庵，進(jìn)去批量的抓取信息褒墨。那么，我們可以看出網(wǎng)絡(luò)爬蟲就是一個不停爬取網(wǎng)頁抓取信息的程序擎宝。

爬蟲的基本流程

發(fā)起請求

獲取相應(yīng)內(nèi)容

解析內(nèi)容

保存數(shù)據(jù)

爬蟲的用途

搜索引擎

采集數(shù)據(jù)

廣告過濾

用于數(shù)據(jù)分析

python爬蟲架構(gòu)組成

URL管理器：管理待爬取的url集合和已爬取的url集合郁妈，傳送待爬取的url給網(wǎng)頁下載器；

網(wǎng)頁下載器：爬取url對應(yīng)的網(wǎng)頁绍申，存儲成字符串噩咪，傳送給網(wǎng)頁解析器；

網(wǎng)頁解析器：解析出有價值的數(shù)據(jù)极阅，存儲下來胃碾，同時補(bǔ)充url到URL管理器。

Python爬蟲工作原理

Python爬蟲通過URL管理器筋搏，判斷是否有待爬URL仆百，如果有待爬URL，通過調(diào)度器進(jìn)行傳遞給下載器奔脐，下載URL內(nèi)容俄周，并通過調(diào)度器傳送給解析器吁讨，解析URL內(nèi)容，并將價值數(shù)據(jù)和新URL列表通過調(diào)度器傳遞給應(yīng)用程序峦朗，并輸出價值信息的過程建丧。

Python爬蟲常用框架有：

grab：網(wǎng)絡(luò)爬蟲框架（基于pycurl/multicur）；

scrapy：網(wǎng)絡(luò)爬蟲框架（基于twisted）波势，不支持Python3翎朱；

pyspider：一個強(qiáng)大的爬蟲系統(tǒng)；

cola：一個分布式爬蟲框架尺铣；

portia：基于Scrapy的可視化爬蟲闭翩；

restkit：Python的HTTP資源工具包。它可以讓你輕松地訪問HTTP資源迄埃，并圍繞它建立的對象；

demiurge：基于PyQuery的爬蟲微框架兑障。

Python爬蟲應(yīng)用領(lǐng)域廣泛侄非，在網(wǎng)絡(luò)爬蟲領(lǐng)域處于霸主位置，Scrapy流译、Request逞怨、BeautifuSoap、urlib等框架的應(yīng)用福澡，可以實現(xiàn)爬行自如的功能叠赦，只要您數(shù)據(jù)抓取想法，Python爬蟲均可實現(xiàn)革砸！

十個Python爬蟲框架

Scrapy：

Scrapy是一個為了爬取網(wǎng)站數(shù)據(jù)除秀，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘算利，信息處理或存儲歷史數(shù)據(jù)等一系列的程序中册踩。它是很強(qiáng)大的爬蟲框架，可以滿足簡單的頁面爬取效拭，比如可以明確獲知url pattern的情況暂吉。用這個框架可以輕松爬下來如亞馬遜商品信息之類的數(shù)據(jù)。但是對于稍微復(fù)雜一點(diǎn)的頁面缎患，如weibo的頁面信息慕的，這個框架就滿足不了需求了。它的特性有：HTML, XML源數(shù)據(jù) 選擇及提取 的內(nèi)置支持挤渔；提供了一系列在spider之間共享的可復(fù)用的過濾器(即 Item Loaders)肮街，對智能處理爬取數(shù)據(jù)提供了內(nèi)置支持。

Crawley：

高速爬取對應(yīng)網(wǎng)站的內(nèi)容蚂蕴，支持關(guān)系和非關(guān)系數(shù)據(jù)庫低散，數(shù)據(jù)可以導(dǎo)出為JSON俯邓、XML等。

Portia：

是一個開源可視化爬蟲工具熔号，可讓使用者在不需要任何編程知識的情況下爬取網(wǎng)站稽鞭！簡單地注釋自己感興趣的頁面，Portia將創(chuàng)建一個蜘蛛來從類似的頁面提取數(shù)據(jù)引镊。簡單來講朦蕴，它是基于scrapy內(nèi)核；可視化爬取內(nèi)容弟头，不需要任何開發(fā)專業(yè)知識吩抓；動態(tài)匹配相同模板的內(nèi)容。

newspaper：

可以用來提取新聞赴恨、文章和內(nèi)容分析疹娶。使用多線程，支持10多種語言等伦连。作者從requests庫的簡潔與強(qiáng)大得到靈感雨饺，使用Python開發(fā)的可用于提取文章內(nèi)容的程序。支持10多種語言并且所有的都是unicode編碼惑淳。

Python-goose：

Java寫的文章提取工具额港。Python-goose框架可提取的信息包括：文章主體內(nèi)容、文章主要圖片歧焦、文章中嵌入的任何Youtube/Vimeo視頻移斩、元描述、元標(biāo)簽绢馍。

Beautiful Soup：

名氣大向瓷，整合了一些常用爬蟲需求。它是一個可以從HTML或XML文件中提取數(shù)據(jù)的Python庫舰涌。它能夠通過你喜歡的轉(zhuǎn)換器實現(xiàn)慣用的文檔導(dǎo)航,查找,修改文檔的方式.Beautiful Soup會幫你節(jié)省數(shù)小時甚至數(shù)天的工作時間风罩。Beautiful Soup的缺點(diǎn)是不能加載JS。

mechanize：

它的優(yōu)點(diǎn)是可以加載JS舵稠。當(dāng)然它也有缺點(diǎn)超升，比如文檔嚴(yán)重缺失。不過通過官方的example以及人肉嘗試的方法哺徊，還是勉強(qiáng)能用的室琢。

selenium：

這是一個調(diào)用瀏覽器的driver，通過這個庫你可以直接調(diào)用瀏覽器完成某些操作落追，比如輸入驗證碼盈滴。Selenium是自動化測試工具，它支持各種瀏覽器，包括 Chrome巢钓，Safari病苗，F(xiàn)irefox等主流界面式瀏覽器，如果在這些瀏覽器里面安裝一個 Selenium 的插件症汹，可以方便地實現(xiàn)Web界面的測試. Selenium支持瀏覽器驅(qū)動硫朦。Selenium支持多種語言開發(fā)，比如 Java背镇，C咬展，Ruby等等，PhantomJS 用來渲染解析JS瞒斩，Selenium 用來驅(qū)動以及與Python的對接破婆，Python進(jìn)行后期的處理。

cola：

是一個分布式的爬蟲框架胸囱，對于用戶來說祷舀，只需編寫幾個特定的函數(shù)，而無需關(guān)注分布式運(yùn)行的細(xì)節(jié)烹笔。任務(wù)會自動分配到多臺機(jī)器上蔑鹦，整個過程對用戶是透明的。項目整體設(shè)計有點(diǎn)糟箕宙，模塊間耦合度較高。

PySpider：

一個國人編寫的強(qiáng)大的網(wǎng)絡(luò)爬蟲系統(tǒng)并帶有強(qiáng)大的WebUI铺纽。采用Python語言編寫柬帕，分布式架構(gòu)，支持多種數(shù)據(jù)庫后端狡门，強(qiáng)大的WebUI支持腳本編輯器陷寝，任務(wù)監(jiān)視器，項目管理器以及結(jié)果查看器其馏。Python腳本控制凤跑，可以用任何你喜歡的html解析包。

點(diǎn)擊右上角關(guān)注小編將會持續(xù)為您帶來相關(guān)資訊（您的關(guān)注就是小編最大的動力Ｅ迅础）