Python爬虫

python官方介绍

Python是一款非常热门的电脑编程软件，Python规定了一个Python语法规则，实现了Python语法的解释程序就成为了Python的解释器，用的比较多的是C版本的Python，也就是使用c语言实现的Python解释器。

二、Python爬虫架构

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。

URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。

网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)

网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。

应用程序：就是从网页中提取的有用数据组成的一个应用。

对于初学者而言，入门教程和 Python 语言参考可能是大家最需要的。其中入门教程非正式地介绍了 Python 语言的基本概念和功能。读者最好在阅读时准备一个 Python 解释器进行练习，不过所有的例子都是相互独立的，所以这个教程也可以离线阅读。

功能特点

Python爬虫技术是非常强大的，而且速度很快

Python爬虫技术是友好的，容易学习

Python新闻组被称为友好的人之一。狂热的开发人员和用户社区维护一个 wiki，主办国际和地方 会议，运行开发冲刺，并对在线代码存储库做出贡献。

Python还附带了完整的文档，它们都集成到语言和单独的网页中。在线教程的目标是 经验丰富的程序员和 新手。所有这些都旨在使您快速生产。书籍的可用性完成了学习包。

Python核心编程软件是开放的

Python核心编程软件实现是一个开源许可证，使其免费使用和分发，即使是商业用途。在Python软件的许可通过施用的Python软件基金会。

基本的爬虫工作原理

基本的http抓取工具，scrapy

Bloom Filter: Bloom Filters by Example

如果需要大规模网页抓取，你需要学习分布式爬虫的概念。其实没那么玄乎，你只要学会怎样维护一个所有集群机器能够有效分享的分布式队列就好。最简单的实现是python-rq: https://github.com/nvie/rq

rq和Scrapy的结合：darkrho/scrapy-redis · GitHub

后续处理，网页析取(grangier/python-goose · GitHub)，存储(Mongodb)