从CSDN博主Jack-Cui学习记录
一、网络爬虫的定义
网络爬虫,即Web Spider。
从网站某一个页面(通常是首页)开始,读取网页的内容,找到在网页中的其他链接址,然后通过这些链接地址寻找下一个网站,这样一直循环下去,知道把这个网站所有网页都抓取下来。网络爬虫的基本操作就是抓取网页。
二、浏览网页的过程
抓取网页的过程其实和读者平时使用浏览器浏览网页的道理是一样的。
比如你在浏览器的地址栏中输入www.baidu.com这个地址。打开网页的过程其实就是浏览器作为一个浏览的“客户端”,向服务器端发送了一次请求,把服务器端的文件“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网站页面。
三、URI和URL的概念和举例
简单来讲,URL就是在浏览器输入的 http://www.baidu.com这个字符串。
在理解URL之前,首先要理解URI的概念。
什么是URI?
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识符(Universal Resource Identifier,URI)进行定位。
URI通常由三部分组成:
1.访问资源的命名机制;
2.存放资源的主机名;
3.资源自身的名称,由路径表示。
如下面的URI:
http://www.why.com.cn/myhtml/html1223/
我们可以这样解释它:
这是一个可以通过HTTP协议访问的资源,
位于主机www.webmonkey.com.cn上,
通过路径“/html/html40”访问
四、URL的理解和举例
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上描述信息资源的字符串,主要用在各种www客户程序和服务器程序上。
采用URL可以用一种统一的格式来面熟各种信息资源,包括文件、服务器的地址和目录等。
URL的一般格式为(带方括号[]为可选项):
protocol :// hostname[:port] / path / [;parameters][?query]#fragment
URL的格式一般由三部分组成:
1.第一部分是协议(或成为服务方式)
2.第二部分是存有该资源的主机IP地址(有时也包括端口号)
3.第三部分是主机资源的具体地址,如目录和文件名等。
第一部分和第二部分用“://”符号隔开,
第二部分和第三部分用“/”符号隔开,
第一部分和第二部分是不可缺少的,第三部分有时可以省略。
五、URL和URI简单比较
URI属于URL更低层次的抽象,一种字符串文本标准。
换句话说,URI属于父类,而URL属于URI的自雷。URL是URI的一个子集。
URI的定义是:统一资源标识符。
URL的定义是:统一资源定位符。
二者的区别在于:URI标识请求服务器的路径,定义这么一个资源。
而URL同时要说明如何访问这个资源(http://)。
下面来看看两个URL的小例子。
1.HTTP协议的URL示例:
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)是在目录 /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)是在目录/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,服务器方式用file表示,后面要有主机IP地址、文件的存取路 径(即目录)和文件名等信息。
有时可以省略目录和文件名,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/目录下的一个文件,文件名是foobar.txt。
例:file://ftp.yoyodyne.com/pub
代表主机ftp.yoyodyne.com上的目录/pub。
例:file://ftp.yoyodyne.com/
代表主机ftp.yoyodyne.com的根目录。
爬虫最主要的处理对象就是URL,它根据URL地址取得所需要的文件内容,然后对它进行进一步的处理。因此,准确地理解URL对理解网络爬虫至关重要。