python爬虫的工作原理


Posted in Python onMarch 05, 2017

1.爬虫的工作原理

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?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。

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:

  • 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。

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

  • 这是一个可以通过HTTP协议访问的资源,
  • 位于主机 www.webmonkey.com.cn上,
  • 通过路径“/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。

以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,同时也希望多多支持三水点靠木!

Python 相关文章推荐
python通过apply使用元祖和列表调用函数实例
May 26 Python
在Mac OS上搭建Python的开发环境
Dec 24 Python
利用Python中SocketServer 实现客户端与服务器间非阻塞通信
Dec 15 Python
Python 3实战爬虫之爬取京东图书的图片详解
Oct 09 Python
python验证码识别实例代码
Feb 03 Python
python生成器,可迭代对象,迭代器区别和联系
Feb 04 Python
Python实现串口通信(pyserial)过程解析
Sep 25 Python
基于MSELoss()与CrossEntropyLoss()的区别详解
Jan 02 Python
利用django model save方法对未更改的字段依然进行了保存
Mar 28 Python
了解一下python内建模块collections
Sep 07 Python
Python趣味爬虫之用Python实现智慧校园一键评教
May 28 Python
教你怎么用PyCharm为同一服务器配置多个python解释器
May 31 Python
python操作mysql数据库
Mar 05 #Python
Windows安装Python、pip、easy_install的方法
Mar 05 #Python
python入门教程之识别验证码
Mar 04 #Python
python 链接和操作 memcache方法
Mar 04 #Python
快速实现基于Python的微信聊天机器人示例代码
Mar 03 #Python
Python实现在线音乐播放器
Mar 03 #Python
python开发简易版在线音乐播放器
Mar 03 #Python
You might like
解析如何去掉CodeIgniter URL中的index.php
2013/06/25 PHP
php实现上传图片生成缩略图示例
2014/04/13 PHP
Codeigniter发送邮件的方法
2015/03/19 PHP
php中file_exists函数使用详解
2015/05/08 PHP
基于node.js的快速开发透明代理
2010/12/25 Javascript
js 3种归并操作的实例代码
2013/10/30 Javascript
JavaScript 浏览器对象模型BOM使用介绍
2015/04/13 Javascript
JQuery鼠标移到小图显示大图效果的方法
2015/06/10 Javascript
Js+php实现异步拖拽上传文件
2015/06/23 Javascript
关于JS 预解释的相关理解
2016/06/28 Javascript
js图片切换具体实现代码
2016/10/13 Javascript
jquery实现点击页面回到顶部
2016/11/23 Javascript
AngularJS定时器的使用与移除操作方法【interval与timeout】
2016/12/14 Javascript
jQuery层级选择器实例代码
2017/02/06 Javascript
解决Vue页面固定滚动位置的处理办法
2017/07/13 Javascript
微信小程序实现单选选项卡切换效果
2020/06/19 Javascript
vue实现路由监听和参数监听
2019/10/29 Javascript
手把手带你入门微信小程序新框架Kbone的使用
2020/02/25 Javascript
three.js显示中文字体与tween应用详析
2021/01/04 Javascript
[04:16]DOTA2英雄梦之声_第09期_斧王
2014/06/21 DOTA
python 2.6.6升级到python 2.7.x版本的方法
2016/10/09 Python
Python快速从注释生成文档的方法
2016/12/26 Python
python3 拼接字符串的7种方法
2018/09/12 Python
利用python在excel里面直接使用sql函数的方法
2019/02/08 Python
python实现二级登陆菜单及安装过程
2019/06/21 Python
使用Python制作一个打字训练小工具
2019/10/01 Python
Django3.0 异步通信初体验(小结)
2019/12/04 Python
Python 操作 MySQL数据库
2020/09/18 Python
Falconeri美国官网:由羊绒和羊毛制成的针织服装
2018/04/08 全球购物
Andrew Marc官网:设计师外套的领先制造商
2019/10/30 全球购物
校庆口号
2014/06/20 职场文书
学雷锋标语
2014/06/25 职场文书
乡镇党的群众路线教育实践活动剖析材料
2014/10/09 职场文书
吴仁宝观后感
2015/06/09 职场文书
Python编程中Python与GIL互斥锁关系作用分析
2021/09/15 Python
我收到了德劲DE1107
2022/04/05 无线电