第一章：python爬虫的基本流程

网络爬虫是什么？

网络爬虫就是：请求网站并提取数据的自动化程序

网络爬虫能做什么？

网络爬虫被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面内容，以获取或更新这些网站的内容和检索方式。

网络爬虫还被用于爬取各个网站的数据，进行分析、预测

近几年来，大量的企业和个人开始使用网络爬虫采集互联网的公开数据，进行数据分析，进一步达到商业目的。

利用网络爬虫能从网上爬取什么数据？

可以好不吹嘘的说，平时从浏览器浏览的所有数据都能被爬取下来。

网络爬虫是否合法？

上面说到了爬虫可以爬取任何数据，那么，爬取数据这种行为是否合法？

目前关于爬取数据的法律还在建立和完善中，如果爬取的数据属于个人使用或者科研范畴，基本不存在什么问题；一旦要用于商业用途就得注意了，有可能会违法。互联网界对于网络爬虫也建立了一定的道德规范（Robots协议）来约束。

这里具体看下Robots协议

Robots协议规定各个搜索引擎哪些页面可以抓取，哪些页面不能抓取，Robots协议虽然没有被写入法律，但是每一个爬虫都应该遵守这项协议。

下面是淘宝网的robots协议：

从图中我们就可以发现淘宝网对百度的爬虫引擎做出了规定，然而百度也会遵守这些规定，不信你可以试试从百度是找不到淘宝里的商品信息的。

python爬虫的基本流程

Python爬虫的基本流程非常简单，主要可以分为三部分：（1）获取网页；（2）解析网页（提取数据）；（3）存储数据。

简单的介绍下这三部分：

• 获取网页 就是给一个网址发送请求，该网址会返回整个网页的数据。类似于在浏览器中输入网址并按回车键，然后可以看到网站的整个页面。
• 解析网页 就是从整个网页的数据中提取想要的数据。
• 存储数据 顾名思义就是把数据存储下来，我们可以存储在文本中，也可以存储到数据库中。

基础爬虫的框架以及详细的运行流程

基础爬虫框架主要包括五大模块，分别是 爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器 。这五大模块之间的关系如下图所示：

下来我们来分析这五大模块之间的功能：

• 爬虫调度器主要负责统筹其他四个模块的协调工作。
• URL管理器负责管理URL链接，维护已经爬取的URL集合和未爬取的URL集合， 提供获取新URL链接的接口。
• HTML下载器用于从URL管理器中获取未爬取的URL链接并下载HTML网页。
• HTML解析器用于从HTML下载器中获取已经下载的HTML网页，并从中解析出新 的URL链接交给URL管理器，解析出有效数据交给数据存储器。
• 数据存储器用于将HTML解析器解析出来的数据通过文件或者数据库的形式存储起来。

详细的运行流程如下图所示：