爬虫养成记 - 什么是网络爬虫

趁着春节，希望能写一个小小的网络爬虫框架。
先定一个小目标，希望能比较优雅地将某个网站上的所有图片爬下来。
暂时先将这个爬虫的名字叫做Squirrel，小松鼠吧。

什么是爬虫

爬虫其实是一种从互联网上获取信息，并且提取我们需要的信息并且储存的手段。
互联网就像一张网，这种网是由一个个url相互连接的。一个url往往是对应着一张网页(Page). 各个页面通过url链接成了一个网状结构。
那么我们从一个页面出发，分析其中的url，然后再去访问该url对应的页面；再分析其中的url，并访问。如此重复并可以爬遍所有的页面。

简单地捋了一下，我们如果需要实现一只爬虫，则需要实现如下几个功能模块：

1. url管理器
   url管理器应该维护两个不重复的set。一个储存未爬过的url，一个储存已经爬过的url。如果我们要将一个url加入未爬过的url set，那么这个url必须都不在两组set中。

2. 网页下载器
   接收url，将页面内容下来。

3. 网页解析器
   接收页面内容，从中提取出结构化的数据和url。

4. 储存器
   储存结构化的数据。

下面我们一步一步来认识我们设置的几个模块需要实现什么功能。

url管理器

url管理器主要需要维护两个集合：

• 已经抓取的url集合，我们叫做crawled_set

• 未抓取的url集合，我们叫做uncrawled_set
  目的就是为了防止重复抓取和循环抓取。

我们来分解url管理器需要实现的功能：

• 判断一个url是否已经在容器中

• 判断uncrawled_set中是否为空。为空则停止爬取。

• 将一个url添加到容器的uncrawled_set中

• 将一个url从uncrawled_set移动到crawled_set中。

url管理器的实现方式有多种

• 将crawled_set和uncrawed_set存放在内存中。
  Python支持set数据类型，可以建立两个set用来存放未爬和已爬url。

• 关系型数据库。
  可以定义一个表，定义两个字段 url和is_crawled.

• 缓存数据库 redis

网页下载器

网页下载器就是更具url下载网页内容（html等）。
常见的网页下载器有
-urllib2
urllib2是python官方的基础模块。
-request