《Python数据挖掘与机器学习实战》—2.10 网络爬虫的设计与实现
【摘要】 本节书摘来自华章计算机《Python数据挖掘与机器学习实战》一书中的第2章,第2.10.1节,作者是方巍 。
2.10 网络爬虫的设计与实现
本节将通过Python爬虫技术来实现一个网站票务信息的爬取任务实例。
2.10.1 网络爬虫的总体设计
根据本例网络爬虫的概要设计,本例的网络爬虫是一个自动提取网页的程序,根据设定的主题判断其是否与主题相关,再根据配置文件中的页面配置继续访问其他的网页,并将其下载下来,直到满足用户的需求。步骤如下:
(1)设计基于多线程的网络爬虫的基本配置。
(2)通过HTTP将自动构造的URL中的网页代码提取出来。
(3)提取出所需要的信息并且将其存储在数据库中。
(4)通过URL构造算法自动构造下一个URL,再通过递归算法实现下一URL的访问,重复以上步骤。
总地来说,爬虫程序根据配置获得初始URL种子,把初始种子保存在临界区中,按照构造URL算法自动构造URL,然后再返回到临界区中,判断是否继续,从而使整个爬虫程序循环运行下去。
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)