python-网络爬虫可编辑范本.docVIP

ＨYPEＲLINKhｔｔｐ://bloｇ.csdn．nｅt/wxg69417５346/aｒtiｃlｅ/detａils/８９２28２6”抓取网页的含义和UＲＬ基本构成

1、网络爬虫的定义

网络爬虫,即WebSpｉdｅr,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。

2、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。baｉｄ??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。

3、UＲI的概念和举例

简单的来讲，URL就是在浏览器端输入的???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（ＵｎiversalResourcｅIdｅntｉfier，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。?

４、URL的理解和举例

URL是ＵＲI的一个子集。它是UｎifoｒmRｅsoｕrｃｅLoｃatoｒ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。?

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．/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。ｒ．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