python爬虫学习（一）——爬虫的工做原理

1. 爬虫的工做原理

　　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。网络蜘蛛是经过网页的连接地址来寻找网页的。从网站某一个页面（一般是首页）开始，读取网页的内容，找到在网页中的其它连接地址，

而后经过这些连接地址寻找下一个网页，这样一直循环下去，直到把这个网站全部的网页都抓取完为止。若是把整个互联网当成一个网站，那么网络蜘蛛就能够用这个原理把互联网上全部的网页都抓取下来。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

络爬虫的基本操做是抓取网页。那么如何才能为所欲为地得到本身想要的页面？先从URL开始。

　　

　　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同样的。好比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做为一个浏览的“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、展示。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，而后将原始的代码转变成咱们直接看到的网站页面。

　　简单的来说，URL就是在浏览器端输入的    http://www.baidu.com    这个字符串。在理解URL以前，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、视频片断、程序等都由一个通用资源标志符(Universal Resource Identifier， URI)进行定位。 

　　URI一般由三部分组成：

• 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。

以下面的URI：http://www.why.com.cn/myhtml/html1223/

• 这是一个能够经过HTTP协议访问的资源，
• 位于主机 www.webmonkey.com.cn上，
• 经过路径“/html/html40”访问。 

 

 　　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，主要用在各类WWW客户程序和服务器程序上。采用URL能够用一种统一的格式来描述各类信息资源，包括文件、服务器的地址和目录等。URL的通常格式为(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乏的，第三部分有时能够省略。 

 

 　　三、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。两者的区别在于，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。

有时能够省略目录和文件名，但“/”符号不能省略。 

例：file://ftp.yoyodyne.com/pub/files/foobar.txt 

上面这个URL表明存放在主机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 

表明主机ftp.yoyodyne.com上的目录/pub。 

例：file://ftp.yoyodyne.com/ 

表明主机ftp.yoyodyne.com的根目录。 

 

爬虫最主要的处理对象就是URL，它根据URL地址取得所须要的文件内容，而后对它 进行进一步的处理。

所以，准确地理解URL对理解网络爬虫相当重要。