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解析xml中dom元素的方法
Mar 12 Python
用Python的Tornado框架结合memcached页面改善博客性能
Apr 24 Python
解析Python中的生成器及其与迭代器的差异
Jun 20 Python
python 计算数组中每个数字出现多少次--“Bucket”桶的思想
Dec 19 Python
PyCharm安装第三方库如Requests的图文教程
May 18 Python
pycharm安装和首次使用教程
Aug 27 Python
python读取word文档,插入mysql数据库的示例代码
Nov 07 Python
Django如何实现上传图片功能
Aug 16 Python
python数据类型之间怎么转换技巧分享
Aug 20 Python
Python3 中作为一等对象的函数解析
Dec 11 Python
python 用struct模块解决黏包问题
Nov 07 Python
教你用python实现一个无界面的小型图书管理系统
May 21 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
PHP操作MongoDB时的整数问题及对策说明
2011/05/02 PHP
php 注释规范
2012/03/29 PHP
php判断文件上传类型及过滤不安全数据的方法
2014/12/17 PHP
php 使用html5实现多文件上传实例
2016/10/24 PHP
PHP内置加密函数详解
2016/11/20 PHP
js 单引号 传递方法
2009/06/22 Javascript
JQuery 应用 JQuery.groupTable.js
2010/12/15 Javascript
基于jQuery实现左右div自适应高度完全相同的代码
2012/08/09 Javascript
Thinkphp模板没有解析直接原样输出的解决方法
2014/10/31 Javascript
javascript实现设置、获取和删除Cookie的方法
2015/06/01 Javascript
jQuery获取某天的农历日期并判断是否除夕或新年的方法
2016/03/01 Javascript
深入解析AngularJS框架中$scope的作用与生命周期
2016/03/05 Javascript
分享jQuery网页元素拖拽插件
2020/12/01 Javascript
14 个折磨人的 JavaScript 面试题
2016/08/08 Javascript
利用Node.js制作爬取大众点评的爬虫
2016/09/22 Javascript
AngularJS过滤器filter用法分析
2016/12/11 Javascript
nodejs简单读写excel内容的方法示例
2018/03/16 NodeJs
详解vue表单——小白速看
2018/04/08 Javascript
详解如何在Javascript和Sass之间共享变量
2019/11/13 Javascript
微信小程序button标签open-type属性原理解析
2020/01/21 Javascript
[04:32]DOTA2著名解说配音敌法师 现场专访海涛怒切假腿
2013/12/20 DOTA
在python中以相同顺序shuffle两个list的方法
2018/12/13 Python
Django中celery执行任务结果的保存方法
2019/07/12 Python
python 实现turtle画图并导出图片格式的文件
2019/12/07 Python
pytorch 模拟关系拟合——回归实例
2020/01/14 Python
python开发实例之python使用Websocket库开发简单聊天工具实例详解(python+Websocket+JS)
2020/03/18 Python
Python3将ipa包中的文件按大小排序
2020/04/17 Python
为什么相对PHP黑python的更少
2020/06/21 Python
如何在VSCode下使用Jupyter的教程详解
2020/07/13 Python
装上这 14 个插件后,PyCharm 真的是无敌的存在
2021/01/11 Python
法国和欧洲海边和滑雪度假:Pierre & Vacances
2017/01/04 全球购物
开放系统互连参考模型
2016/06/29 面试题
半年思想汇报
2013/12/30 职场文书
司机岗位职责说明书
2014/07/29 职场文书
党性观念心得体会
2014/09/03 职场文书
OpenCV-Python实现油画效果的实例
2021/06/08 Python