干貨，Python通用網(wǎng)絡(luò)爬蟲(chóng)的工作原理和流程

通用網(wǎng)絡(luò)爬蟲(chóng)的采集目標(biāo)是整個(gè)互聯(lián)網(wǎng)上的所有網(wǎng)頁(yè)，它會(huì)先從一個(gè)或多個(gè)初始URL開(kāi)始，獲取初始URL對(duì)應(yīng)的網(wǎng)頁(yè)數(shù)據(jù)，并不斷從該網(wǎng)頁(yè)數(shù)據(jù)中抽取新的URL放到隊(duì)列中，直至滿(mǎn)足一定的條件后停止。

通用網(wǎng)絡(luò)爬蟲(chóng)的工作原理如圖1所示。

通用網(wǎng)絡(luò)爬蟲(chóng)的工作原理

關(guān)于圖1中各環(huán)節(jié)的介紹如下。

(1)獲取初始URL。初始URL是精心挑選的一個(gè)或多個(gè)URL，也稱(chēng)種子URL，它既可以由用戶(hù)指定，也可以由待采集的初始網(wǎng)頁(yè)指定。

(2)有了初始URL之后，需要根據(jù)初始URL抓取對(duì)應(yīng)的網(wǎng)頁(yè)，之后將該網(wǎng)頁(yè)存儲(chǔ)到原始網(wǎng)頁(yè)數(shù)據(jù)庫(kù)中，并且在抓取網(wǎng)頁(yè)的同時(shí)對(duì)網(wǎng)頁(yè)內(nèi)容進(jìn)行解析，從中提取出新URL。

(3)有了新URL之后，需要將新URL放入U(xiǎn)RL隊(duì)列中。

(4)從URL隊(duì)列中讀取新URL，以準(zhǔn)備根據(jù)URL抓取下一個(gè)網(wǎng)頁(yè)。

(5)若網(wǎng)絡(luò)爬蟲(chóng)滿(mǎn)足設(shè)置的停止條件，則停止采集;若網(wǎng)絡(luò)爬蟲(chóng)沒(méi)有滿(mǎn)足設(shè)置的停止條件，則繼續(xù)根據(jù)新URL抓取對(duì)應(yīng)的網(wǎng)頁(yè)，并重復(fù)步驟(2)~步驟(5)。需要注意的是，如果沒(méi)有設(shè)置停止條件，網(wǎng)絡(luò)爬蟲(chóng)會(huì)一直采集下去，直到?jīng)]有可以采集的新URL為止。