Python爬虫:手把手教你写迷你爬虫架构

一笑奈何 提交于 2020-08-15 07:45:10

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者:我爱学Python

Python爬虫:手把手教你写迷你爬虫架构

 

语言&环境

语言:继续用Python开路!

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

一个迷你框架

下面以比较典型的通用爬虫为例,分析其工程要点,设计并实现一个迷你框架。架构图如下:

Python爬虫:手把手教你写迷你爬虫架构

 

代码结构:

Python爬虫:手把手教你写迷你爬虫架构

 

  • config_load.py 配置文件加载
  • crawl_thread.py 爬取线程
  • mini_spider.py 主线程
  • spider.conf 配置文件
  • url_table.py url队列、url表
  • urls.txt 种子url集合
  • webpage_parse.py 网页分析
  • webpage_save.py 网页存储
  • 看看配置文件里有什么内容:
  • spider.conf
Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Step 3. 记录哪些网页已经下载过的小本本——URL表。

在互联网上,一个网页可能被多个网页中的超链接所指向。这样在遍历互联网这张图的时候,这个网页可能被多次访问到。为了防止一个网页被下载和解析多次,需要一个URL表记录哪些网页已经下载过。再遇到这个网页的时候,我们就可以跳过它。

crawl_thread.py

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Python爬虫:手把手教你写迷你爬虫架构

 

Step 5. 页面分析模块

从网页中解析出URLs或者其他有用的数据。这个是上期重点介绍的,可以参考之前的代码。

Step 6. 页面存储模块

保存页面的模块,目前将文件保存为文件,以后可以扩展出多种存储方式,如mysql,mongodb,hbase等等。

webpage_save.py

Python爬虫:手把手教你写迷你爬虫架构

 

写到这里,整个框架已经清晰的呈现在大家眼前了,千万不要小看它,不管多么复杂的框架都是在这些基本要素上扩展出来的。

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!