标签：支付 解析 spider min conf pst atp table tab
語言&環境
語言：彈藥充足，Python沖鋒！
一個迷你框架
下面以比較典型的通用爬蟲為例，分析其工程要點，設計并實現一個迷你框架。架構圖如下：
代碼結構：
config_load.py 配置文件加載
crawl_thread.py 爬取線程
mini_spider.py 主線程
spider.conf 配置文件
url_table.py url隊列、url表
urls.txt 種子url集合
webpage_parse.py 網頁分析
webpage_save.py 網頁存儲
看看配置文件里有什么內容：
spider.conf
url_table.py
3. 記錄哪些網頁已經下載過的小本本——URL表。
在互聯網上，一個網頁可能被多個網頁中的超鏈接所指向。這樣在遍歷互聯網這張圖的時候，這個網頁可能被多次訪問到。為了防止一個網頁被下載和解析多次，需要一個URL表記錄哪些網頁已經下載過。再遇到這個網頁的時候，我們就可以跳過它。
crawl_thread.py
5. 頁面分析模塊
從網頁中解析出URLs或者其他有用的數據。這個是上期重點介紹的，可以參考之前的代碼。
6. 頁面存儲模塊
保存頁面的模塊，目前將文件保存為文件，以后可以擴展出多種存儲方式，如mysql,mongodb,hbase等等。
webpage_save.py
整個框架已經清晰了奧，不要小看它呢，不管是多么復雜的框架都是在這些基本要素上擴展出來的。
爬虫凶猛：爬支付宝、爬微信、窃取数据/编程实战（2）：爬虫架构
标签：支付 解析 spider min conf pst atp table tab
原文地址：https://www.cnblogs.com/HT168/p/9372639.html
