python的爬蟲是什麼意思

Python爬蟲即使用Python程式開發的網路爬蟲（網頁蜘蛛，網路機器人），是一種依照一定的規則，自動地抓取萬維網資訊的程式或腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程式或蠕蟲。其實通俗的講就是透過程式去取得 web 頁面上自己想要的數據，也就是自動抓取數據。

網路爬蟲（英文：web crawler），也叫網路蜘蛛（spider），是用來自動瀏覽萬維網的網路機器人。其目的一般為編纂網絡索引。

網路搜尋引擎等網站透過​​爬蟲軟體更新自身的網站內容或其對其他網站的索引。網路爬蟲可以將自己所造訪的頁面儲存下來，以便搜尋引擎事後產生索引供使用者搜尋。

爬蟲造訪網站的過程會消耗目標系統資源。不少網路系統並不默許爬蟲工作。因此在訪問大量頁面時，爬蟲需要考慮到規劃、負載，還需要講「禮貌」。 不願意被爬蟲造訪、被爬蟲主人知曉的公開網站可以使用robots.txt檔案之類的方法避免造訪。這個文件可以要求機器人只對網站的一部分進行索引，或完全不處理。

網路上的頁面極多，即使是最大的爬蟲系統也無法做出完整的索引。因此在西元2000年之前的萬維網出現初期，搜尋引擎經常找不到太多相關結果。現在的搜尋引擎在這方面已經進步很多，能夠立即給出高品質結果。

爬蟲還可以驗證超連結和HTML程式碼，用於網頁抓取。

Python 爬蟲

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 管理員、網頁下載器、網頁解析器、應用程式（爬取的有價值資料）。

調度器：相當於一台電腦的 CPU，主要負責調度 URL 管理器、下載器、解析器之間的協調工作。

URL 管理員：包含待爬取的URL 位址和已爬取的URL 位址，防止重複抓取URL 和循環抓取URL，實作URL 管理器主要用三種方式，透過記憶體、資料庫、快取資料庫來實現。

網頁下載器：透過傳入一個URL 位址來下載網頁，將網頁轉換成字串，網頁下載器有urllib2（Python 官方基礎模組）包括需要登入、代理、和cookie，requests(第三方套件)

網頁解析器：將一個網頁字串進行解析，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。網頁解析器有正規表示式（直觀，將網頁轉成字串透過模糊匹配的方式來提取有價值的信息，當文檔比較複雜的時候，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，相對於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。

應用程式：就是從網頁擷取的有用資料所組成的一個應用程式。

爬蟲可以做什麼？

你可以用爬蟲爬圖片，爬取影片等等你想要爬取的數據，只要你能透過瀏覽器存取的數據都可以透過爬蟲取得。

爬蟲的本質是什麼？

模擬瀏覽器開啟網頁，取得網頁中我們想要的那部分資料

瀏覽器開啟網頁的過程：

當你在瀏覽器中輸入位址後，經過DNS 伺服器找到伺服器主機，向伺服器傳送一個請求，伺服器經過解析後傳送給使用者瀏覽器結果，包含html,js,css 等檔案內容，瀏覽器解析出來最後呈現給使用者在瀏覽器上看到的結果

所以使用者看到的瀏覽器的結果就是由HTML 程式碼構成的，我們爬蟲就是為了取得這些內容，透過分析和過濾html 程式碼，從中取得我們想要資源。

相關推薦：《Python教學》

以上是python的爬蟲是什麼意思的詳細內容。更多資訊請關注PHP中文網其他相關文章！