爬虫对目标网页爬取的过程可以参考下面黑色文字部分：
- 首先访问初始url，获取其相应内容对相应内容进行解析，提取感兴趣的信息和新的链接将上一步提取到的数据存储，将获取到的链接去重并存储至仓库从url仓库获得一条未爬取过的url，开始新的循环
图片中由黑色文字组成的循环应该很好理解，那么具体到编程上来说，则必须将上面的流程进行抽象，我们可以编写几个元件，每个元件完成一项功能，上图中的蓝底白字就是对这一流程的抽象：
爬虫调度器将要完成整个循环，下面写出python下爬虫调度器的程序：
存储器、下载器、解析器和url管理器！
首先，还是来看看下面这张图，URL管理器到底应该具有哪些功能？
下面来说说下载器。
下载器的作用就是接受URL管理器传递给它的一个url，然后把该网页的内容下载下来。python自带有urllib和urllib2等库（这两个库在python3中合并为urllib），它们的作用就是获取指定的网页内容。不过，在这里我们要使用一个更加简洁好用而且功能更加强大的模块：Requests（查看文档）。
Requests并非python自带模块，需要安装。关于其具体使用方法请查看相关文档，在此不多做介绍。
下载器接受一个url作为参数，返回值为下载到的网页内容（格式为str）。下面就是一个简单的下载器，其中只有一个简单的函数download()：
在requests请求中设置User-Agent的目的是伪装成浏览器，这是一只优秀的爬虫应该有的觉悟。
URL管理器和下载器相对简单！剩下的下次介绍，希望能帮到零基础小白的你！
进群：125240963 即可获取数十套PDF！
原文地址：https://www.cnblogs.com/PY1780/p/9310851.html
时间： 2024-10-11 19:20:34