零基础写python爬虫之爬虫的定义及url构成

一、网络爬虫的定义

网络爬虫,即web spider,是一个很形象的名字。
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,找到在网页中的其它链接地址,
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,直到把这个网站所有的网页都抓取完为止。
如果把整个互联网当成一个网站,那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓取下来。
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。
网络爬虫的基本操作是抓取网页。
那么如何才能随心所欲地获得自己想要的页面?
我们先从url开始。

二、浏览网页的过程

抓取网页的过程其实和读者平时使用ie浏览器浏览网页的道理是一样的。
比如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

简单的来讲,url就是在浏览器端输入的 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志符(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:
①这是一个可以通过http协议访问的资源,
②位于主机 www.webmonkey.com.cn上,
③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描述各种信息资源,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[]的为可选项):
protocol :// hostname[:port] / path / [;parameters][?query]#fragment

url的格式由三部分组成:
①第一部分是协议(或称为服务方式)。
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的子类。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表示请求服务器的路径,定义这么一个资源。
而url同时说明要如何访问这个资源(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。

好了,基础知识就先介绍到这里,接下来我们来进行点实际的爬虫操作

Posted in 未分类