[Python]網絡爬蟲（一）：抓取網頁的含義和URL基本構成

轉自:http://blog.csdn.net/pleasecallmewhy/article/details/8922826

1、網絡爬蟲的定義

網絡爬蟲，即Web Spider，是一個很形象的名字。

把互聯網比喻成一個蜘蛛網，那麼Spider就是在網上爬來爬去的蜘蛛。
網絡蜘蛛是經過網頁的連接地址來尋找網頁的。

從網站某一個頁面（一般是首頁）開始，讀取網頁的內容，找到在網頁中的其它連接地址，

而後經過這些連接地址尋找下一個網頁，這樣一直循環下去，直到把這個網站全部的網頁都抓取完爲止。

若是把整個互聯網當成一個網站，那麼網絡蜘蛛就能夠用這個原理把互聯網上全部的網頁都抓取下來。

這樣看來，網絡爬蟲就是一個爬行程序，一個抓取網頁的程序。

網絡爬蟲的基本操做是抓取網頁。

那麼如何才能爲所欲爲地得到本身想要的頁面？

咱們先從URL開始。

2、瀏覽網頁的過程

抓取網頁的過程其實和讀者平時使用IE瀏覽器瀏覽網頁的道理是同樣的。

好比說你在瀏覽器的地址欄中輸入    www.baidu.com    這個地址。

打開網頁的過程其實就是瀏覽器做爲一個瀏覽的「客戶端」，向服務器端發送了 一次請求，把服務器端的文件「抓」到本地，再進行解釋、展示。

HTML是一種標記語言，用標籤標記內容並加以解析和區分。

瀏覽器的功能是將獲取到的HTML代碼進行解析，而後將原始的代碼轉變成咱們直接看到的網站頁面。

3、URI的概念和舉例

簡單的來說，URL就是在瀏覽器端輸入的    www.baidu.com    這個字符串。

在理解URL以前，首先要理解URI的概念。

什麼是URI？

Web上每種可用的資源，如 HTML文檔、圖像、視頻片斷、程序等都由一個通用資源標誌符(Universal Resource Identifier， URI)進行定位。

URI一般由三部分組成：

①訪問資源的命名機制；

②存放資源的主機名；

③資源自身 的名稱，由路徑表示。

以下面的URI：
http://www.why.com.cn/myhtml/html1223/

咱們能夠這樣解釋它：

①這是一個能夠經過HTTP協議訪問的資源，

②位於主機 www.webmonkey.com.cn上，

③經過路徑「/html/html40」訪問。

4、URL的理解和舉例

URL是URI的一個子集。它是Uniform Resource Locator的縮寫，譯爲「統一資源定位 符」。

通俗地說，URL是Internet上描述信息資源的字符串，主要用在各類WWW客戶程序和服務器程序上。

採用URL能夠用一種統一的格式來描述各類信息資源，包括文件、服務器的地址和目錄等。

URL的格式由三部分組成：

①第一部分是協議(或稱爲服務方式)。

②第二部分是存有該資源的主機IP地址(有時也包括端口號)。

③第三部分是主機資源的具體地址，如目錄和文件名等。

第一部分和第二部分用「://」符號隔開，

第二部分和第三部分用「/」符號隔開。

第一部分和第二部分是不可缺乏的，第三部分有時能夠省略。

下面來看看兩個URL的小例子。

1.HTTP協議的URL示例：
使用超級文本傳輸協議HTTP，提供超級文本信息服務的資源。

例：http://www.peopledaily.com.cn/channel/welcome.htm

其計算機域名爲www.peopledaily.com.cn。

超級文本文件(文件類型爲.html)是在目錄 /channel下的welcome.htm。

這是中國人民日報的一臺計算機。

例：http://www.rol.cn.net/talk/talk1.htm

其計算機域名爲www.rol.cn.net。

超級文本文件(文件類型爲.html)是在目錄/talk下的talk1.htm。

這是瑞得聊天室的地址，可由此進入瑞得聊天室的第1室。

2．文件的URL
用URL表示文件時，服務器方式用file表示，後面要有主機IP地址、文件的存取路 徑(即目錄)和文件名等信息。

有時能夠省略目錄和文件名，但「/」符號不能省略。

例：file://ftp.yoyodyne.com/pub/files/foobar.txt

上面這個URL表明存放在主機ftp.yoyodyne.com上的pub/files/目錄下的一個文件，文件名是foobar.txt。

例：file://ftp.yoyodyne.com/pub

表明主機ftp.yoyodyne.com上的目錄/pub。

例：file://ftp.yoyodyne.com/

表明主機ftp.yoyodyne.com的根目錄。

爬蟲最主要的處理對象就是URL，它根據URL地址取得所須要的文件內容，而後對它 進行進一步的處理。

所以，準確地理解URL對理解網絡爬蟲相當重要。