前言

爬蟲即網(wǎng)絡(luò)爬蟲，英文是Web Spider。翻譯過來就是網(wǎng)絡(luò)上爬行的蜘蛛，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，碰到想要的食物，就把他抓取出來。

我們?cè)跒g覽器中輸入一個(gè)網(wǎng)址，敲擊回車，看到網(wǎng)站的頁面信息。這就是瀏覽器請(qǐng)求了網(wǎng)站的服務(wù)器，獲取到網(wǎng)絡(luò)資源。那么，爬蟲也相當(dāng)于模擬瀏覽器發(fā)送請(qǐng)求，獲得到HTML代碼。HTML代碼里通常包含了標(biāo)簽和文字信息，我們就從中提取到我們想要的信息。

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

爬蟲的基本流程

• 發(fā)起請(qǐng)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，傳送待爬取的url給網(wǎng)頁下載器；
• 網(wǎng)頁下載器：爬取url對(duì)應(yīng)的網(wǎng)頁，存儲(chǔ)成字符串，傳送給網(wǎng)頁解析器；
• 網(wǎng)頁解析器：解析出有價(jià)值的數(shù)據(jù)，存儲(chǔ)下來，同時(shí)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，判斷是否有待爬URL，如果有待爬URL，通過調(diào)度器進(jìn)行傳遞給下載器，下載URL內(nèi)容，并通過調(diào)度器傳送給解析器，解析URL內(nèi)容，并將價(jià)值數(shù)據(jù)和新URL列表通過調(diào)度器傳遞給應(yīng)用程序，并輸出價(jià)值信息的過程。

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），不支持Python3；
• pyspider：一個(gè)強(qiáng)大的爬蟲系統(tǒng)；
• cola：一個(gè)分布式爬蟲框架；
• portia：基于Scrapy的可視化爬蟲；
• restkit：Python的HTTP資源工具包。它可以讓你輕松地訪問HTTP資源，并圍繞它建立的對(duì)象；
• demiurge：基于PyQuery的爬蟲微框架。

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

十個(gè)Python爬蟲框架

Scrapy：

Scrapy是一個(gè)為了爬取網(wǎng)站數(shù)據(jù)，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，信息處理或存儲(chǔ)歷史數(shù)據(jù)等一系列的程序中。它是很強(qiáng)大的爬蟲框架，可以滿足簡(jiǎn)單的頁面爬取，比如可以明確獲知url pattern的情況。用這個(gè)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(duì)于稍微復(fù)雜一點(diǎn)的頁面，如weibo的頁面信息，這個(gè)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；提供了一系列在spider之間共享的可復(fù)用的過濾器(即 Item Loaders)，對(duì)智能處理爬取數(shù)據(jù)提供了內(nèi)置支持。

Crawley：

高速爬取對(duì)應(yīng)網(wǎng)站的內(nèi)容，支持關(guān)系和非關(guān)系數(shù)據(jù)庫，數(shù)據(jù)可以導(dǎo)出為JSON、XML等。

Portia：

是一個(gè)開源可視化爬蟲工具，可讓使用者在不需要任何編程知識(shí)的情況下爬取網(wǎng)站！簡(jiǎn)單地注釋自己感興趣的頁面，Portia將創(chuàng)建一個(gè)蜘蛛來從類似的頁面提取數(shù)據(jù)。簡(jiǎn)單來講，它是基于scrapy內(nèi)核；可視化爬取內(nèi)容，不需要任何開發(fā)專業(yè)知識(shí)；動(dòng)態(tài)匹配相同模板的內(nèi)容。

newspaper：

可以用來提取新聞、文章和內(nèi)容分析。使用多線程，支持10多種語言等。作者從requests庫的簡(jiǎn)潔與強(qiáng)大得到靈感，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。

Python-goose：

Java寫的文章提取工具。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、文章中嵌入的任何Youtube/Vimeo視頻、元描述、元標(biāo)簽。

Beautiful Soup：

名氣大，整合了一些常用爬蟲需求。它是一個(gè)可以從HTML或XML文件中提取數(shù)據(jù)的Python庫。它能夠通過你喜歡的轉(zhuǎn)換器實(shí)現(xiàn)慣用的文檔導(dǎo)航,查找,修改文檔的方式.Beautiful Soup會(huì)幫你節(jié)省數(shù)小時(shí)甚至數(shù)天的工作時(shí)間。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。當(dāng)然它也有缺點(diǎn)，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，還是勉強(qiáng)能用的。

selenium：

這是一個(gè)調(diào)用瀏覽器的driver，通過這個(gè)庫你可以直接調(diào)用瀏覽器完成某些操作，比如輸入驗(yàn)證碼。Selenium是自動(dòng)化測(cè)試工具，它支持各種瀏覽器，包括 Chrome，Safari，Firefox等主流界面式瀏覽器，如果在這些瀏覽器里面安裝一個(gè) Selenium 的插件，可以方便地實(shí)現(xiàn)Web界面的測(cè)試. Selenium支持瀏覽器驅(qū)動(dòng)。Selenium支持多種語言開發(fā)，比如 Java，C，Ruby等等，PhantomJS 用來渲染解析JS，Selenium 用來驅(qū)動(dòng)以及與Python的對(duì)接，Python進(jìn)行后期的處理。

cola：

是一個(gè)分布式的爬蟲框架，對(duì)于用戶來說，只需編寫幾個(gè)特定的函數(shù)，而無需關(guān)注分布式運(yùn)行的細(xì)節(jié)。任務(wù)會(huì)自動(dòng)分配到多臺(tái)機(jī)器上，整個(gè)過程對(duì)用戶是透明的。項(xiàng)目整體設(shè)計(jì)有點(diǎn)糟，模塊間耦合度較高。

PySpider：

一個(gè)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。采用Python語言編寫，分布式架構(gòu)，支持多種數(shù)據(jù)庫后端，強(qiáng)大的WebUI支持腳本編輯器，任務(wù)監(jiān)視器，項(xiàng)目管理器以及結(jié)果查看器。Python腳本控制，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(huì)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(dòng)力！）

總結(jié)

以上是生活随笔為你收集整理的java 爬虫框架_不知道Python爬虫？这篇文章丢给他（内含框架结构）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。