Python 爬蟲架構主要由五個部分組成，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(jù))。

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(jù)庫、緩存數(shù)據(jù)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urllib2(Python官方基礎模塊)包括需要登錄、代理、和cookie，requests(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(jù)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，當文檔比較復雜的時候，該方法提取數(shù)據(jù)的時候就會非常的困難)、html.parser(Python自帶的)、beautifulsoup(第三方插件，可以使用Python自帶的html.parser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.parser 和 beautifulsoup 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(jù)組成的一個應用。

用一個圖來解釋一下調度器是如何協(xié)調工作的:

圖片整理自網絡，侵刪。