一、什么是爬蟲
爬蟲：一段自動抓取互聯(lián)網信息的程序，從互聯(lián)網上抓取對于我們有價值的信息。
二、爬蟲架構
爬蟲架構主要由五個部分組成網絡上信息抓取程序，分別是調度器、URL管理器、網頁下載器、網頁解析器、應用程序（爬取的有價值數(shù)據）。
**
調度器
相當于一臺電腦的CPU，主要負責調度URL管理器、下載器、解析器之間的協(xié)調工作。
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復抓取URL和循環(huán)抓取URL，實現(xiàn)URL管理器主要用三種方式，通過內存、數(shù)據庫、緩存數(shù)據庫來實現(xiàn)。
網頁下載器
通過傳入一個URL地址來下載網頁，將網頁轉換成一個字符串，網頁下載器有（官方基礎模塊）包括需要登錄、代理、和，(第三方包)
網頁解析器：
將一個網頁字符串進行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據DOM樹的解析方式來解析。網頁解析器有正則表達式（直觀，將網頁轉成字符串通過模糊匹配的方式來提取有價值的信息網絡上信息抓取程序，當文檔比較復雜的時候，該方法提取數(shù)據的時候就會非常的困難）、html.（自帶的）、（第三方插件，可以使用自帶的html.進行解析，也可以使用lxml進行解析，相對于其他幾種來說要強大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html. 和 以及 lxml 都是以 DOM 樹的方式進行解析的。
應用程序：
就是從網頁中提取的有用數(shù)據組成的一個應用。
下面用一個圖來解釋一下調度器是如何協(xié)調工作的:
