Python基础入门:python爬虫的工作原理

摘要: python爬虫的工作原理,互联网是由一个个站点和网络设备组成的大网,网络爬虫,即Web Spider,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。通过网页的链接地址来寻找网页的,最后展现到用户面前。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?先从URL开始。  

------2019-05-22    来源:百知教育 IT培训学校

    python爬虫的工作原理

        互联网是由一个个站点和网络设备组成的大网,网络爬虫,即Web Spider,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。通过网页的链接地址来寻找网页的,最后展现到用户面前。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?先从URL开始。  

image.png

  python爬虫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    wtrps.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。

  简单的来讲,URL就是在浏览器端输入的    http://wtrps.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:

  • 访问资源的命名机制;

  • 存放资源的主机名;

  • 资源自身 的名称,由路径表示。

  •  

   2.  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: 

  • 第一部分是协议(或称为服务方式)。

  • 第二部分是存有该资源的主机IP地址(有时也包括端口号)。

  • 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。 

 

   3、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。baizhiedu。com/1982。html

其计算机域名为/www。baizhiedu。com

超级文本文件(文件类型为.html)是1982.html


python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。


相关文章
//添加导航点击效果19-8-5