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。

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

通常爬蟲是從某個網(wǎng)站的某個頁面開始，爬取這個頁面的內(nèi)容，找到網(wǎng)頁中的其他鏈接地址，然后從這個地址爬到下一個頁面，這樣一直不停的爬下去，進去批量的抓取信息。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對應(yīng)的網(wǎng)頁，存儲成字符串，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)，存儲下來，同時補充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：一個強大的爬蟲系統(tǒng)；
• cola：一個分布式爬蟲框架；
• 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爬蟲均可實現(xiàn)！

十個Python爬蟲框架

Scrapy：

Scrapy是一個為了爬取網(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，信息處理或存儲歷史數(shù)據(jù)等一系列的程序中。它是很強大的爬蟲框架，可以滿足簡單的頁面爬取，比如可以明確獲知url pattern的情況。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)。但是對于稍微復雜一點的頁面，如weibo的頁面信息，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；提供了一系列在spider之間共享的可復用的過濾器(即 Item Loaders)，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，支持關(guān)系和非關(guān)系數(shù)據(jù)庫，數(shù)據(jù)可以導出為JSON、XML等。

Portia：

是一個開源可視化爬蟲工具，可讓使用者在不需要任何編程知識的情況下爬取網(wǎng)站！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)。簡單來講，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；動態(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庫的簡潔與強大得到靈感，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、元標簽。

Beautiful Soup：

名氣大，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。它能夠通過你喜歡的轉(zhuǎn)換器實現(xiàn)慣用的文檔導航,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。Beautiful Soup的缺點是不能加載JS。

mechanize：

它的優(yōu)點是可以加載JS。當然它也有缺點，比如文檔嚴重缺失。不過通過官方的example以及人肉嘗試的方法，還是勉強能用的。

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，比如輸入驗證碼。Selenium是自動化測試工具，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 Selenium 的插件，可以方便地實現(xiàn)Web界面的測試. Selenium支持瀏覽器驅(qū)動。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)動以及與Python的對接，Python進行后期的處理。

cola：

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

PySpider：

一個國人編寫的強大的網(wǎng)絡(luò)爬蟲系統(tǒng)并帶有強大的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，強大的WebUI支持腳本編輯器，任務(wù)監(jiān)視器，項目管理器以及結(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！）

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）的全部內(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，歡迎將生活随笔推薦給好友。