Python爬虫（一）：基本概念

Dear 丶 2022-08-07 05:41 315阅读 0赞

# 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），是一种按照一定的规则，自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，自动索引，模拟程序或者蠕虫。如果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。

**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。

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URI：http://www.baidu.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.baidu.com.cn上，  
③通过路径“/html/html40”访问。

**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示例**

**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。