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私有属性和方法实例分析
Jan 15 Python
python实现随机梯度下降(SGD)
Mar 24 Python
python3+PyQt5自定义视图详解
Apr 24 Python
Python爬虫小技巧之伪造随机的User-Agent
Sep 13 Python
python生成九宫格图片
Nov 19 Python
对numpy下的轴交换transpose和swapaxes的示例解读
Jun 26 Python
python 将字符串中的数字相加求和的实现
Jul 18 Python
简单分析python的类变量、实例变量
Aug 23 Python
使用K.function()调试keras操作
Jun 17 Python
Pycharm添加虚拟解释器报错问题解决方案
Oct 13 Python
Python try except finally资源回收的实现
Jan 25 Python
浅谈pytorch中stack和cat的及to_tensor的坑
May 20 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
动画 《Pokemon Sword·Shield》系列WEB动画《薄明之翼》第2话声优阵容公开!
2020/03/06 日漫
php中文乱码怎么办如何让浏览器自动识别utf-8
2014/01/15 PHP
PHP实现补齐关闭的HTML标签
2016/03/22 PHP
WEB页子窗口(showModalDialog和showModelessDialog)使用说明
2009/10/25 Javascript
js 浏览器事件介绍
2012/03/30 Javascript
js中eval()函数和trim()去掉字符串左右空格应用
2013/02/02 Javascript
javascript强制点击广告的方法
2015/02/06 Javascript
快速掌握Node.js模块封装及使用
2016/03/21 Javascript
javascript基础知识之html5轮播图实例讲解(44)
2017/02/17 Javascript
在 Angular 中实现搜索关键字高亮示例
2017/03/21 Javascript
微信小程序 支付功能实现PHP实例详解
2017/05/12 Javascript
Angular中ng-options下拉数据默认值的设定方法
2017/06/21 Javascript
angular select 默认值设置方法
2017/06/23 Javascript
Node.js 回调函数实例详解
2017/07/06 Javascript
js+html5生成自动排列对话框实例
2017/10/09 Javascript
mui框架移动开发初体验详解
2017/10/11 Javascript
Node.js中,在cmd界面,进入退出Node.js运行环境的方法
2018/05/12 Javascript
纯JS开发baguetteBox.js响应式画廊插件
2020/06/28 Javascript
toString.call()通用的判断数据类型方法示例
2020/08/28 Javascript
浅谈鸿蒙 JavaScript GUI 技术栈
2020/09/17 Javascript
node koa2 ssr项目搭建的方法步骤
2020/12/11 Javascript
Python算法之栈(stack)的实现
2014/08/18 Python
python计算书页码的统计数字问题实例
2014/09/26 Python
python实现的希尔排序算法实例
2015/07/01 Python
PyTorch上实现卷积神经网络CNN的方法
2018/04/28 Python
python基于socket实现的UDP及TCP通讯功能示例
2019/11/01 Python
用HTML5制作一个简单的弹力球游戏
2015/05/12 HTML / CSS
AmazeUI 缩略图的实现示例
2020/08/18 HTML / CSS
优秀毕业生推荐信
2013/11/02 职场文书
代办委托书怎么写
2014/08/01 职场文书
党政领导班子四风问题对照检查材料思想汇报
2014/10/02 职场文书
给女朋友道歉的话大全
2015/01/20 职场文书
创卫工作总结2015
2015/04/22 职场文书
投资申请报告
2015/05/19 职场文书
高一地理教学工作总结
2015/08/12 职场文书
高通2023 年将发布高性能PC处理器
2022/04/29 数码科技