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。

1.爬蟲入門程序

? ? ? ? 首先我們調用的是 urllib2 庫里面的 urlopen 方法，傳入一個 URL，這個網址是百度首頁，協議是 HTTP 協議，當然你也可以把 HTTP 換做 FTP,FILE,HTTPS 等等，只是代表了一種訪問控制協議，
? ? ? ? urlopen 一般接受三個參數，它的參數如下：urlopen(url, data, timeout) ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?第一個參數 url 即為 URL，
第二個參數 data 是訪問 URL 時要傳送的數據，
第三個 timeout 是設置超時時間。
第二三個參數是可以不傳送的，data 默認為空 None，timeout 默認為 socket._GLOBAL_DEFAULT_TIMEOUT 第一個參數 URL 是必須要傳送的，在這個例子里面我們傳送了百度的 URL，執行 urlopen 方法之后，返回一個 response 對象，返回信息便保存在這里面。

#導入功能庫 urllib2
import urllib2
?
#調用urllib2庫的urlopen方法 第一個參數url即為URL
response = urllib2.urlopen("http://www.baidu.com")
?
#response 對象有一個 read 方法，可以返回獲取到的網頁內容。
print response.read()
2.爬蟲程序添加data、header，然后post請求

? ? ? ? 我們引入了 urllib 庫，現在我們模擬登陸 CSDN，當然上述代碼可能登陸不進去，因為 CSDN 還有個流水號的字段，沒有設置全，比較復雜在這里就不寫上去了，在此只是說明登錄的原理。一般的登錄網站一般是這種寫法。 我們需要定義一個字典，名字為 values，參數我設置了 username 和 password，下面利用 urllib 的 urlencode 方法將字典編碼，命名為 data，構建 request 時傳入兩個參數，url 和 data，運行程序，返回的便是 POST 后呈現的頁面內容。 注意上面字典的定義方式還有一種，下面的寫法是等價的
? ? ? ? 有些網站不會同意程序直接用上面的方式進行訪問，如果識別有問題，那么站點根本不會響應，所以為了完全模擬瀏覽器的工作，我們需要設置一些 Headers 的屬性。 首先，打開我們的瀏覽器，調試瀏覽器 F12，我用的是 Chrome，打開網絡監聽，示意如下，比如知乎，點登錄之后，我們會發現登陸之后界面都變化了，出現一個新的界面，實質上這個頁面包含了許許多多的內容，這些內容也不是一次性就加載完成的，實質上是執行了好多次請求，一般是首先請求 HTML 文件，然后加載 JS，CSS 等等，經過多次請求之后，網頁的骨架和肌肉全了，整個網頁的效果也就出來了。

#導入功能庫庫名 urllib ?urllib2 ?
import urllib ?
import urllib2 ?
?
#填寫地址url
url = 'http://www.server.com/login'
#設置Headers 的參數
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5;

總結

以上是生活随笔為你收集整理的PYTHON网络爬虫大数据朱炯明的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。