Python爬虫：基本概念

Posted 2020-09-27

网络爬虫的定义

         网络爬虫（Web Spider。又被称为网页蜘蛛。网络机器人，又称为网页追逐者），是一种依照一定的规则，自己主动的抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁，自己主动索引。模拟程序或者蠕虫。假设把互联网比喻成一个蜘蛛网，那么Spider就是在网上爬来爬去的蜘蛛。

        网络蜘蛛是通过网页的链接地址来寻找网页的。从站点某一个页面（一般是首页）開始，读取网页的内容。找到在网页中的其他链接地址。然后通过这些链接地址寻找下一个网页。这样一直循环下去，直到把这个站点全部的网页都抓取完为止。假设把整个互联网当成一个站点。那么网络蜘蛛就能够用这个原理把互联网上全部的网页都抓取下来。这样看来，网络爬虫就是一个爬行程序，一个抓取网页的程序。

        简单地说，网络爬虫的基本任务就是抓取网页内容。

URL概念

        抓取网页的过程事实上和读者平时使用IE浏览器浏览网页的道理是一样的。比方说你在浏览器的地址栏中输入    www.baidu.com    这个地址。

打开网页的过程事实上就是浏览器作为一个浏览的“client”，向server端发送了 一次请求，把server端的文件“抓”到本地，再进行解释、展现。HTML是一种标记语言。用标签标记内容并加以解析和区分。浏览器的功能是将获取到的HTML代码进行解析，然后将原始的代码转变成我们直接看到的站点页面。

        在理解URL之前，首先要理解URI的概念。
Web上每种可用的资源，如 HTML文档、图像、视频片段、程序等都由一个通用资源标志符(Universal Resource Identifier， URI)进行定位。 URI通常由三部分组成：
         ①訪问资源的命名机制；
         ②存放资源的主机名。
         ③资源自身 的名称。由路径表示。
如URI：http://www.baidu.com.cn/myhtml/html1223/，我们能够这样解释它：
        ①这是一个能够通过HTTP协议訪问的资源，
        ②位于主机www.baidu.com.cn上，
        ③通过路径“/html/html40”訪问。 

URL的概念

         URL是URI的一个子集。它是Uniform Resource Locator的缩写，译为“统一资源定位 符”。

通俗地说。URL是Internet上描写叙述信息资源的字符串，主要用在各种WWW客户程序和server程序上。採用URL能够用一种统一的格式来描写叙述各种信息资源，包含文件、server的地址和文件夹等。

URL演示样例

1.HTTP协议的URL演示样例：
使用超级文本传输协议HTTP，提供超级文本信息服务的资源。

 例：http://www.peopledaily.com.cn/channel/welcome.htm 
其计算机域名为www.peopledaily.com.cn。
超级文本文件(文件类型为.html)是在文件夹 /channel下的welcome.htm。
这是中国人民日报的一台计算机。 

例：http://www.rol.cn.net/talk/talk1.htm 
其计算机域名为www.rol.cn.net。

超级文本文件(文件类型为.html)是在文件夹/talk下的talk1.htm。
这是瑞得聊天室的地址，可由此进入瑞得聊天室的第1室。


2．文件的URL
用URL表示文件时。server方式用file表示，后面要有主机IP地址、文件的存取路 径(即文件夹)和文件名称等信息。
有时能够省略文件夹和文件名称。但“/”符号不能省略。

 
例：file://ftp.yoyodyne.com/pub/files/foobar.txt 
上面这个URL代表存放在主机ftp.yoyodyne.com上的pub/files/文件夹下的一个文件，文件名称是foobar.txt。

例：file://ftp.yoyodyne.com/pub 
代表主机ftp.yoyodyne.com上的文件夹/pub。 

例：file://ftp.yoyodyne.com/ 
代表主机ftp.yoyodyne.com的根文件夹。