“爬蟲”是一種形象的說法。互聯網比喻成一張大網，爬蟲是一個程序或腳本在這種大網上爬走。碰到蟲子（資源），若是所需的資源就獲取或下載下來。這個資源通常是網頁、文件等等，可以通過該資源里面的url鏈接，順藤摸瓜繼續爬取這些鏈接的資源。

什么是爬蟲

爬蟲：一段自動抓取互聯網信息的程序，從互聯網上抓取對于我們有價值的信息。

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）。

1. 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。
2. 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。
3. 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)
4. 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。
5. 應用程序：就是從網頁中提取的有用數據組成的一個應用。

下面用一個圖來解釋一下調度器是如何協調工作的:

urllib2 實現下載網頁的三種方式

#!/usr/bin/python# -*- coding: UTF-8 -*-import cookielib
import urllib2

url = "http://www.baidu.com"response1 = urllib2.urlopen(url)print "第一種方法"#獲取狀態碼，200表示成功print response1.getcode()#獲取網頁內容的長度print len(response1.read())print "第二種方法"request = urllib2.Request(url)#模擬Mozilla瀏覽器進行爬蟲request.add_header("user-agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)print response2.getcode()print len(response2.read())print "第三種方法"cookie = cookielib.CookieJar()#加入urllib2處理cookie的能力opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)print response3.getcode()print len(response3.read())print cookie

第三方庫 Beautiful Soup 的安裝

Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數據，官網地址 https://www.crummy.com/software/BeautifulSoup/

安裝 Beautiful Soup

打開 cmd（命令提示符），進入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自帶的 pip 命令進行安裝，輸入以下命令進行安裝即可：

pip install beautifulsoup4

測試是否安裝成功

編寫一個 Python 文件，輸入:

\#!/usr/bin/python # -*- coding: UTF-8 -*- import re from bs4 import BeautifulSoup html_doc = """ The Dormouse's story  **The Dormouse's story** Once upon a time there were three little sisters; and their names were [Elsie](http://example.com/elsie), [Lacie](http://example.com/lacie) and [Tillie](http://example.com/tillie); and they lived at the bottom of a well. ... """ #創建一個BeautifulSoup解析對象 soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8") #獲取所有的鏈接 links = soup.find_all('a') print "所有的鏈接" for link in links: print link.name,link['href'],link.get_text() print "獲取特定的URL地址" link_node = soup.find('a',href="http://example.com/elsie") print link_node.name,link_node['href'],link_node['class'],link_node.get_text() print "正則表達式匹配" link_node = soup.find('a',href=re.compile(r"ti")) print link_node.name,link_node['href'],link_node['class'],link_node.get_text() print "獲取P段落的文字" p_node = soup.find('p',class_='story') print p_node.name,p_node['class'],p_node.get_text()