1 前言

Python開發(fā)網(wǎng)絡(luò)爬蟲獲取網(wǎng)頁(yè)數(shù)據(jù)的基本流程為：

發(fā)起請(qǐng)求

通過(guò)URL向服務(wù)器發(fā)起request請(qǐng)求，請(qǐng)求可以包含額外的header信息。

獲取響應(yīng)內(nèi)容

服務(wù)器正常響應(yīng)，將會(huì)收到一個(gè)response，即為所請(qǐng)求的網(wǎng)頁(yè)內(nèi)容，或許包含HTML，Json字符串或者二進(jìn)制的數(shù)據(jù)（視頻、圖片）等。

解析內(nèi)容

如果是HTML代碼，則可以使用網(wǎng)頁(yè)解析器進(jìn)行解析，如果是Json數(shù)據(jù)，則可以轉(zhuǎn)換成Json對(duì)象進(jìn)行解析，如果是二進(jìn)制的數(shù)據(jù)，則可以保存到文件做進(jìn)一步處理。

保存數(shù)據(jù)

可以保存到本地文件，也可以保存到數(shù)據(jù)庫(kù)（MySQL，Redis，MongoDB等）。

2 爬蟲程序架構(gòu)及運(yùn)行流程

網(wǎng)絡(luò)爬蟲程序框架主要包括以下五大模塊：

爬蟲調(diào)度器 URL管理器 HTML下載器 HTML解析器 數(shù)據(jù)存儲(chǔ)器

五大模塊功能如下所示：

爬蟲調(diào)度器：主要負(fù)責(zé)統(tǒng)籌其它四個(gè)模塊的協(xié)調(diào)工作。 URL管理器：負(fù)責(zé)管理URL鏈接，維護(hù)已經(jīng)爬取的URL集合和未爬取的URL集合，提供獲取新URL鏈接的接口。 HTML下載器：用于從URL管理器中獲取未爬取的URL鏈接并下載HTML網(wǎng)頁(yè)。 HTML解析器：用于從HTML下載器中獲取已經(jīng)下載的HTML網(wǎng)頁(yè)，并從中解析出新的URL鏈接交給URL管理器，解析出有效數(shù)據(jù)交給數(shù)據(jù)存儲(chǔ)器。 數(shù)據(jù)存儲(chǔ)器：用于將HTML解析器解析出來(lái)的數(shù)據(jù)通過(guò)文件或者數(shù)據(jù)庫(kù)的形式存儲(chǔ)起來(lái)。

網(wǎng)絡(luò)爬蟲程序框架的動(dòng)態(tài)運(yùn)行流程如下所示：

3 小結(jié)

本文簡(jiǎn)要介紹了Python開發(fā)網(wǎng)絡(luò)爬蟲的程序框架，將網(wǎng)絡(luò)爬蟲運(yùn)行流程按照具體功能劃分為不同模塊，以便各司其職、協(xié)同運(yùn)作。搭建好網(wǎng)絡(luò)爬蟲框架后，能夠有效地提高我們開發(fā)網(wǎng)絡(luò)爬蟲項(xiàng)目的效率，避免一些重復(fù)造車輪的工作。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。