Python爬虫架构主要由五个部分组成分别是调度器URL管理器网页下载器网页解析器应用程序爬取的有价值数据.调度器相当于一台电脑的CPU主要负责调度URL管理器下载器解析器之间的协调工作.URL管理器包括待爬取的URL地址和已爬取的URL地址防止重复抓取URL和循环抓取URL实现URL管理器主要用三种方式通过内存数据库缓存数据库来实现.网页下载器通过传入一个URL地址来下载网页将网页转换成一个字符串网页下载器有urllib2Python官方基础模块包括需要登录代理和cookie requests第三方包网页解析器将一个网页字符串进行解析可以按照我们的要求来提取出我们有用的信息也可以根据DOM树的解析方式来解析.网页解析器有正则表达式直观将网页转成字符串通过模糊匹配的方式来提取有价值的信息当文档比较复杂的时候该方法提取数据的时候就会非常的困难html.parser Python自带的beautifulsoup第三方插件可以使用Python自带的html.parser进行解析.