Python 爬虫架构介绍
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。
下面用一个图来解释一下调度器是如何协调工作的:
R_joice: 我也找不到 解决了吗
AchieverW: 请问怎么解决的呢,我下载的是2.1版本gpu版,没有找到相应的文件夹路径
码奋: 不好意思,不清楚为什么违法规则,这是新的分析地址 https://cowtransfer.com/s/350485499c4b49 点击链接查看 [ tutorials等1个文件.zip ] ,或访问奶牛快传 cowtransfer.com 输入传输口令 35y86o 查看;
颂玺: 去旧版本里有https://github.com/tensorflow/tensorflow/tree/v2.3.0
望舒think: 作者,腾讯微云打不开,GitHub下载以后没有tutorial这个文件,可以帮忙解决一下吗