Python爬虫原理

1. 什么是爬虫，爬虫的本质是什么？

网络爬虫Web Spider，是按照一定的规则，自动地抓取互联网上的信息的程序，本质就是一个程序或者脚本。（把网络比喻成一个蜘蛛网，爬虫就是一只在网上爬来爬去的蜘蛛）
爬虫本质上只做了两件事情：请求和解析

2. 爬虫工作原理

模拟浏览器打开网页，获取网页中我们想要的那部分数据。
当你在浏览器中输入地址后，经过DNS服务器找到服务器主机，向服务器发送一个请求，服务器经过解析后发送给用户浏览器结果，包括html,js,css等文件内容，所以用户看到的浏览器的结果就是由HTML代码构成的，我们爬虫就是为了获取这些内容，通过分析和过滤html代码，从中获取我们想要资源（文本，图片，视频…）
所以爬虫本质上只做了两件事情：请求和解析，但是爬虫的开发是非常困难的，需要不停的分析网站的请求，不停的跟随目标网站来升级自己的程序，试探解密、破解目标网站限制

3.爬虫的基本框架

爬虫基本框架由管理器、 下载器 、 解析器构成
管理器：管理待抓取的url集合和已抓取的url集合，防止重复和循环抓取
（添加新的url到待抓取集合，判断是否还有待抓取url，获取待抓取的url，判断待添加url是否在已抓取