磁力搜索是爬虫吗

| 企服解答

磁力搜索的原理是爬虫。磁力链接中含有一个BT种子的唯一身份标识，通过这个标识可以在DHT网络中搜索到拥有这个种子资源的其他peer。Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

磁力搜索是爬虫吗

1、调度器

相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。 

2、URL管理器

包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。 

3、网页下载器

通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包) 

4、网页解析器

将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。

5、应用程序

就是从网页中提取的有用数据组成的一个应用。 

| 拓展阅读

可以将爬虫总结为4个步骤：获取网页、提取信息、保存数据、自动化程序。

1、获取网页

爬虫首先要做的工作就是获取网页，也就是获取网页的源代码，源代码包含了网页的部分有用信息，所以只要把源代码获取下来，就可以从中提取想要的信息。
根据请求和响应的概念，向网站的服务器发送一个请求，返回的响应体便是网页源代码，因此最关键的部分就是构造一个请求并发送给服务器，然后接受到响应并将其解析出来。

2、提取信息

获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据，通用的万能法是采用正则表达式提取，缺点是比较复杂和容易出错。另外，由于网页结构有一定规则，python还有一些根据网页节点属性、CSS选择器或XPath来提取网页信息的库，如Beautiful Soup 、pyquery、lxml等。使用这些库，我们可以高效快速地从中提取网页信息，如节点属性、文本值等。提取信息是爬虫中非常重要的部分，它可以从杂乱的数据中获取有效的信息，方便我们后续对数据的处理和分析。

3、保存数据

提取信息后，我们一般会将提取到的数据保存到某处以便后续使用，保存形式多种多样，简单的处理可以保存为TXT或JSON文本。也可以保存到数据库，如MySQL和MongoDB等。或者保存至远程服务器。

4、自动化程序

简单来说，就是爬虫可以在抓取过程中进行各种异常处理、错误重试等操作，持续高效的自动化完成获取网页、信息提取、保存数据的工作。