python网络爬虫具体是怎样的？

举一个例子来类比一下，在每日的新冠核酸排查时，发现了几个阳性人员（种子地址），这时候会对每个阳性人员接触的人员（地址内容）进行排查，对排查出的阳性人员再进行上面的接触人员排查，层层排查，直到排查出所有阳性人员。

python网络爬虫跟上面的例子很相似，

首先一批种子地址开始，将这些种子地址加入待处理的任务队列；任务处理者从上面的任务队列中取出一个地址，取出后需要将这个地址从任务队列中移除，同时还要加到已处理地址字典中去，访问地址获取数据；处理上面获取的数据，比如可能是一个网页，网页中又可能存在多个地址，比如一个页面中又很多链接地址，将这些地址如果不在已处理的地址字典的话，就加入到待处理的任务队列。同时提取获取到的数据中的有用部分存储下来；周而复始地执行上面2,3步 *** 作，直到待处理地址队列处理完，或者获取了到了足够数量的数据等结束条件。

最后对采集到的有用数据就可以进行清洗，转化处理，作为爬虫的最后数据输出。

为自动提取网页的程序，它为搜索引擎从万维网上下载网页。

网络爬虫为一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。

将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。

扩展资料：

网络爬虫的相关要求规定：

1、由Python标准库提供了系统管理、网络通信、文本处理、数据库接口、图形系统、XML处理等额外的功能。

2、按照网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。 当同一层次中的页面爬行完毕后，爬虫再深入下一层继续爬行。

3、文本处理，包含文本格式化、正则表达式匹配、文本差异计算与合并、Unicode支持，二进制数据处理等功能。

参考资料来源：百度百科-网络爬虫

英语可以称为spider或者web crawler，是一种用来自动浏览万维网的网络机器人。

简单说:

通过编写程序，模拟浏览器上网，然后去互联网上抓取数据资源的过程。

互联网包含着各种海量的信息。出于数据分析或产品需求，我们需要从某些网站，提取出我们感兴趣、有价值的内容，我们需要一种能自动获取网页内容并可以按照指定规则提取相应内容的程序，这就是爬虫。

爬虫访问网站的过程会消耗目标系统资源。不少网络系统并不默许爬虫工作。因此在访问大量页面时，爬虫需要考虑到规划、负载，还需要讲“礼貌”。 不愿意被爬虫访问、被爬虫主人知晓的公开站点可以使用robots.txt文件之类的方法避免访问。

---