Python 爬蟲架構(gòu)主要由五個(gè)部分組成，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(jià)值數(shù)據(jù))。

調(diào)度器：相當(dāng)于一臺(tái)電腦的CPU，主要負(fù)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(shí)現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫(kù)、緩存數(shù)據(jù)庫(kù)來實(shí)現(xiàn)。

網(wǎng)頁下載器：通過傳入一個(gè)URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個(gè)字符串，網(wǎng)頁下載器有urllib2(Python官方基礎(chǔ)模塊)包括需要登錄、代理、和cookie，requests(第三方包)

網(wǎng)頁解析器：將一個(gè)網(wǎng)頁字符串進(jìn)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(dá)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(jià)值的信息，當(dāng)文檔比較復(fù)雜的時(shí)候，該方法提取數(shù)據(jù)的時(shí)候就會(huì)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(jìn)行解析，也可以使用lxml進(jìn)行解析，相對(duì)于其他幾種來說要強(qiáng)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(jìn)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(gè)應(yīng)用。

用一個(gè)圖來解釋一下調(diào)度器是如何協(xié)調(diào)工作的:

圖片整理自網(wǎng)絡(luò)，侵刪。