做数据分析，首先要有大量的数据，通常会使用爬虫去采集同行的信息进行分析，挖掘有用的资料。但这些资料非常多，仅靠人工去收集，耗时非常久，有个偷懒的方法，即使用爬虫进行数据爬取。

网络爬虫 本质就是http请求，浏览器是用户主动操作然后完成HTTP请求，而爬虫需要自动完成http请求，网络爬虫需要一套整体架构完成工作。

1.URL管理

首先url管理器添加了新的url到待爬取集合中，判断了待添加的url是否在容器中、是否有待爬取的url，并且获取待爬取的url，将url从待爬取的url集合移动到已爬取的url集合。

2.页面下载

下载器将接收到的url传给互联网，互联网返回html文件给下载器，下载器将其保存到本地，一般的会对下载器做分布式部署，一个是提交效率，再一个是起到请求代理作用。

3.内容提取

页面解析器主要完成的是从获取的html网页字符串中取得有价值的感兴趣的数据和新的url列表。数据抽取比较常用的手段有基于css选择器、正则表达式、xpath的规则提取。一般提取完后还会对数据进行一定的清洗或自定义处理，从而将请求到的非结构数据转化为我们需要的结构化数据。

4.数据保存

数据保存到相关的数据库、队列、文件等方便做数据计算和与应用对接。