一、什么是爬蟲
爬蟲：一段自動抓取互聯(lián)網(wǎng)信息的程序，從互聯(lián)網(wǎng)上抓取對于我們有價值的信息。
二、爬蟲架構(gòu)
爬蟲架構(gòu)主要由五個部分組成網(wǎng)絡(luò)上信息抓取程序，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應(yīng)用程序（爬取的有價值數(shù)據(jù)）。
**
調(diào)度器
相當(dāng)于一臺電腦的CPU，主要負責(zé)調(diào)度URL管理器、下載器、解析器之間的協(xié)調(diào)工作。
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(fù)抓取URL和循環(huán)抓取URL，實現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫來實現(xiàn)。
網(wǎng)頁下載器
通過傳入一個URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個字符串，網(wǎng)頁下載器有（官方基礎(chǔ)模塊）包括需要登錄、代理、和，(第三方包)
網(wǎng)頁解析器：
將一個網(wǎng)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(jù)DOM樹的解析方式來解析。網(wǎng)頁解析器有正則表達式（直觀，將網(wǎng)頁轉(zhuǎn)成字符串通過模糊匹配的方式來提取有價值的信息網(wǎng)絡(luò)上信息抓取程序，當(dāng)文檔比較復(fù)雜的時候，該方法提取數(shù)據(jù)的時候就會非常的困難）、html.（自帶的）、（第三方插件，可以使用自帶的html.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. 和 以及 lxml 都是以 DOM 樹的方式進行解析的。
應(yīng)用程序：
就是從網(wǎng)頁中提取的有用數(shù)據(jù)組成的一個應(yīng)用。
下面用一個圖來解釋一下調(diào)度器是如何協(xié)調(diào)工作的:
