Python爬蟲入門之爬蟲基礎瞭解

1.什麼是爬蟲

爬蟲，即網絡爬蟲，你們能夠理解爲在網絡上爬行的一直蜘蛛，互聯網就比做一張大網，而爬蟲即是在這張網上爬來爬去的蜘蛛咯，若是它遇到資源，那麼它就會抓取下來。想抓取什麼？這個由你來控制它咯。

好比它在抓取一個網頁，在這個網中他發現了一條道路，其實就是指向網頁的超連接，那麼它就能夠爬到另外一張網上來獲取數據。這樣，整個連在一塊兒的大網對這之蜘蛛來講觸手可及，分分鐘爬下來不是事兒。

2.瀏覽網頁的過程

在用戶瀏覽網頁的過程當中，咱們可能會看到許多好看的圖片，好比 http://image.baidu.com/ ，咱們會看到幾張的圖片以及百度搜索框，這個過程其實就是用戶輸入網址以後，通過DNS服務器，找到服務器主機，向服務器發出一個請求，服務器通過解析以後，發送給用戶的瀏覽器 HTML、JS、CSS 等文件，瀏覽器解析出來，用戶即可以看到形形色色的圖片了。

所以，用戶看到的網頁實質是由 HTML 代碼構成的，爬蟲爬來的即是這些內容，經過分析和過濾這些 HTML 代碼，實現對圖片、文字等資源的獲取。

3.URL的含義

URL，即統一資源定位符，也就是咱們說的網址，統一資源定位符是對能夠從互聯網上獲得的資源的位置和訪問方法的一種簡潔的表示，是互聯網上標準資源的地址。互聯網上的每一個文件都有一個惟一的URL，它包含的信息指出文件的位置以及瀏覽器應該怎麼處理它。

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。

爬蟲爬取數據時必需要有一個目標的URL才能夠獲取數據，所以，它是爬蟲獲取數據的基本依據，準確理解它的含義對爬蟲學習有很大幫助。

4. 環境的配置

學習Python，固然少不了環境的配置，最初我用的是Notepad++，不過發現它的提示功能實在是太弱了，因而，在Windows下我用了PyCharm，在Linux下我用了Eclipse for Python，另外還有幾款比較優秀的IDE，你們能夠參考這篇文章 學習Python推薦的IDE 。好的開發工具是前進的推動器，但願你們能夠找到適合本身的IDE